타이키모스
팔로워0명
주최대회0개
글쓰기
챗GPT API기반 자사서비스 연동 챗봇 - 고서이미지번역GPT (데모, 소스코드 포함)
기존의 자사서비스가 있다면, 챗GPT API를 이용하여 챗봇 형태의 서비스로 구성해볼면 어떨까요? 한가지 예시로, 고서 이미지 번역 딥러닝 모델과 챗GPT API를 이용하여 고서 이미지를 입력하면 한자 추출을 하고, 추출된 결과를 챗GPT에게 전달하여 한글로 번역을 수행하도록 구현해봤습니다. 추가로 번역한 결과를 해석하고 이후 추가 질문이나 주제에 대해 챗GPT와 토론이 가능합니다. 서비스 구성고서 한자 인식 OCR과 챗 GPT의 번역과 대화 기능을 활용하였습니다. 기존 서비스에 ChatGPT api를 접목한다는 것은 아래 2가지 장점을 얻을 수 있습니다.채팅 인터페이스를 가질 수 있습니다. 서비스별로 특화된 인터페이스를 제공한다면 아무리 직관적이고 쉽다고 하더라도 익히거나 적응해야한다는 장벽이 있습니다. 채팅 인터페이스는 디지털기기 사용에 있어서 가장 널리 사용되며, 이 인터페이스 조차 “대화”를 본따 만든 인터페이스이기 때문에 사람에게 가장 친숙한 인터페이스입니다. ChatGPT api이전 대화 메시지를 전달하면 이후 챗봇 대화를 알려주므로 흐름있는 대화가 가능합니다.챗GPT가 학습한 방대한 지식 기반으로 대화를 이어갈 수 있습니다. 주어진 지문내에서만 검색하거나 없는 경우 알고 있는 내용에 대해서 설명하라고 지시할 수 있기 때문에 기존의 서비스를 좀 더 풍요롭게 만들 수 있습니다. 다만 검증이 안되는 답변을 할 수 있기 때문에 공식적인 서비스를 하고 있는 경우에는 챗GPT 응답에 대한 후처리가 필요합니다.데모 사용해보기상단에 [플레이]탭을 클릭한 뒤, [플레이] 버튼을 클릭하면 서비스를 이용해보실 수 있습니다.고서 한자 인식 OCRAIHub의 고서 한자 인식 OCR 데이터셋에서 제공하는 것을 활용하였습니다. https://aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=100&aihubDataSe=realm&dataSetSn=234이 데이터셋 구축 사업에서 제공하는 AI 모델을 바로 사용해도 되지만, 본 사례에서는 이를 AIFactory 플랫폼에 올려서 API로 서빙을 하게 만든 뒤에 API를 호출하는 식으로 구성을 했습니다. 아래 태스크 링크로 들어가시면 API 사용법에 대해서 보실 수 있습니다. 태스크를 만들어주신 AIFactory의 데이터사이언스팀인 이재현님 감사합니다~https://aifactory.space/competition/play/2269챗봇 서비스라면 채팅형태로 이미지를 업로드하는 것이 적절하나 고서 이미지 분석하는 데 시간이 오래걸리고 또한 고서 이미지 분석에 특화된 서비스로 한정 지었기 때문에 이미지 업로드를 위한 별도 컨트롤로 구성했습니다. 컨트롤에 이미지 파일을 올리면 분석 결과를 우측창에서 보실 수 있습니다. 마우스 커서를 올리면, 인식된 한자와 좌표 정보도 함께 나옵니다.검출 결과의 순서가 문장 순서와 다르기 때문에 후처리가 필요합니다. 검출 결과에는 위치 정보를 포함하고 있기 때문에 이를 기반으로 아래 그림과 같이 문자를 정렬하여 최종 문자열을 생성합니다.챗GPT 번역 기능 활용앞서 생성한 최종 문자열을 챗GPT에게 번역해달라고 프롬프트를 구성한 뒤 요청합니다. 구성한 프롬프트는 아래 [소스코드] 챕터에서 보실 수 있습니다.챗GPT 대화 기능 활용챗GPT는 대화 흐름을 기억하고 있으므로 번역이나 해석에 대해 궁금한 점을 챗GPT에게 요청하면 답변도 친절하게 해줍니다.함께보기챗GPT 러닝데이 3월 한 달동안 매주 화요일 저녁에 챗GPT를 이해하기 위한 기초 내용 및 이론을 배우고, 실습을 해본 뒤 실제 개발과 활용을 어떻게 해야할 지 살펴봅니다. 챗GPT 러닝데이 안내 (3월달 매주 화요일 저녁 7시~9시 온라인) >> https://aifactory.space/learning/2291/discussion/191챗GPT MS애저톤이어서 4월에는 3월 동안 배운 것을 활용하여 프롬프트, 확장앱, API 기반 서비스를 만드는 해커톤을 진행합니다. 챗GPT에 관심있는 기관 혹은 서비스나 기술을 알리고싶은 기업 후원을 받고 있으니 아래 링크에서 신청 부탁드립니다.챗GPT 해커톤 후원사 모집 (~ 4월 18일 23시) >> https://aifactory.space/competition/detail/2292챗GPT 해커톤 참가자 모집 (~ 4월 18일 23시) >> https://aifactory.space/competition/detail/2290소스코드본 예제에서 사용된 소스코드는 아래와 같습니다.
챗GPT API기반 상담봇 타로GPT(멀티유저, 방문기억, 이미지표시, 소스코드포함)
챗GPT API기반 상담봇만들기 1탄으로 타로GPT v1.00을 소개합니다. 타로GPT를 처음 구상했을 당시에는 프롬프트 엔지니어링만 생각했었는 데, 얼마 전 ChatGPT API가 나왔으므로, 이를 활용하여 자체 GUI를 가진 타로GPT가 탄생하게 되었습니다. 바로 사용해보기사용법은 간단합니다. 상단에 [플레이]탭을 눌러서, 질문을 입력하면 이어서 타로GPT가 주도적으로 진행합니다. (단 회원로그인이 필요합니다.) 현재 무료버전이라 ChatGPT API 사용량도 정해놓았기 때문에 경우에 따라 제대로 작동을 하지 않을 수도 있습니다.아래는 "인사 > 질문 > 이해 및 진행여부 > 타로카드 선택 > 해석" 과정 전체에 대해 표시한 것입니다. 플레이 탭에서 상담 받아보실 수 있으니 지금 바로 해보세요~친절한 타로GPT이전 방문 메시지가 데이터베이스에 저장되어 있기 때문에 이를 기반으로 메시지를 생성할 수 있습니다.태스크과 모델 분리하기태스크와 모델을 분리하여 어플리케이션 시나리오 처리와 인공지능 모델을 나누어서 관리할 수 있습니다. 추후 ChatGPT가 아닌 LLM 모델을 도입하고 싶다면, 모델 부분만 교체하면 됩니다.태스크인공지능 모델을 제외한 시나리오 처리 및 GUI 제공을 담당합니다.태스크의 전체 소스코드를 첨부합니다. 코랩에서 로컬에서 구동하려면 환경설정 등 몇가지 설정이 추가로 필요합니다. 수정이 필요한 부분을 “#수정필요”라고 표시해두었습니다.<code class="language-python">import os import gradio as gr import numpy as np import requests from PIL import Image from skimage import io import plotly.express as px import plotly.graph_objects as go from datetime import datetime import sqlite3 api_env = os.environ['API_ADDRESS'] #수정필요 demo_id = os.environ['DEMOAPI_ID'] #수정필요 def init_db(): conn = sqlite3.connect('./user_message.db') curs = conn.cursor() curs.execute('CREATE TABLE IF NOT EXISTS message_record(id INTEGER PRIMARY KEY AUTOINCREMENT, user_id TEXT, create_datetime TEXT, message TEXT)') curs.execute('CREATE TABLE IF NOT EXISTS message_record_log(id INTEGER PRIMARY KEY AUTOINCREMENT, user_id TEXT, create_datetime TEXT, message TEXT)') conn.commit() conn.close() def add_message(user_id, message): conn = sqlite3.connect('./user_message.db') curs = conn.cursor() curs.execute("INSERT INTO message_record VALUES (null, ?, ?, ?)", (user_id, str(datetime.now()), message)) conn.commit() conn.close() conn = sqlite3.connect('./user_message.db') curs = conn.cursor() curs.execute("INSERT INTO message_record_log VALUES (null, ?, ?, ?)", (user_id, str(datetime.now()), message)) conn.commit() conn.close() def get_message_history(user_id): conn = sqlite3.connect('./user_message.db') curs = conn.cursor() query = curs.execute("SELECT message from message_record where user_id = ?", (user_id,)) ret = query.fetchall() conn.close() return ret def get_message_log_history_count(user_id): conn = sqlite3.connect('./user_message.db') curs = conn.cursor() query = curs.execute("SELECT count(*) from message_record_log where user_id = ?", (user_id,)) ret = query.fetchone()[0] conn.close() return ret def get_instruction_message_count(user_id): conn = sqlite3.connect('./user_message.db') curs = conn.cursor() query = curs.execute("SELECT count(*) from message_record where user_id = ? and message LIKE ?", (user_id, "%system%")) ret = query.fetchone()[0] conn.close() return ret def del_message_history(user_id): conn = sqlite3.connect('./user_message.db') curs = conn.cursor() curs.execute("DELETE FROM message_record WHERE user_id = ?", (user_id,)) conn.commit() conn.close() def sendResultForDemoAPI(error_msg): res = requests.post(api_env, json= {'dtype': 2, 'id': demo_id, 'error': error_msg}) return def sendResultForDemoAPIWithID(demoid, error_msg): res = requests.post(api_env, json= {'dtype': 2, 'id': demo_id, 'error': error_msg}) return tarot_card_list = [ [1, 'The Fool', '9/90/RWS_Tarot_00_Fool'], [2, 'The Magician', 'd/de/RWS_Tarot_01_Magician'], [3, 'The High Priestess', '8/88/RWS_Tarot_02_High_Priestess'], [4, 'The Empress', 'd/d2/RWS_Tarot_03_Empress'], [5, 'The Emperor', 'c/c3/RWS_Tarot_04_Emperor'], [6, 'The Hierophant', '8/8d/RWS_Tarot_05_Hierophant'], [7, 'The Lovers', '3/3a/TheLovers'], [8, 'The Chariot', '9/9b/RWS_Tarot_07_Chariot'], [9, 'Strength', 'f/f5/RWS_Tarot_08_Strength'], [10, 'The Hermit', '4/4d/RWS_Tarot_09_Hermit'], [11, 'Wheel of Fortune', '3/3c/RWS_Tarot_10_Wheel_of_Fortune'], [12, 'Justice', 'e/e0/RWS_Tarot_11_Justice'], [13, 'The Hanged Man', '2/2b/RWS_Tarot_12_Hanged_Man'], [14, 'Death', 'd/d7/RWS_Tarot_13_Death'], [15, 'Temperance', 'f/f8/RWS_Tarot_14_Temperance'], [16, 'The Devil', '5/55/RWS_Tarot_15_Devil'], [17, 'The Tower', '5/53/RWS_Tarot_16_Tower'], [18, 'The Star', 'd/db/RWS_Tarot_17_Star'], [19, 'The Moon', '7/7f/RWS_Tarot_18_Moon'], [20, 'The Sun', '1/17/RWS_Tarot_19_Sun'], [21, 'Judgment', 'd/dd/RWS_Tarot_20_Judgement'], [22, 'The World', 'f/ff/RWS_Tarot_21_World'], [23, 'Ace of Wands', '1/11/Wands01'], [24, 'Two of Wands', '0/0f/Wands02'], [25, 'Three of Wands', 'f/ff/Wands03'], [26, 'Four of Wands', 'a/a4/Wands04'], [27, 'Five of Wands', '9/9d/Wands05'], [28, 'Six of Wands', '3/3b/Wands06'], [29, 'Seven of Wands', 'e/e4/Wands07'], [30, 'Eight of Wands', '6/6b/Wands08'], [31, 'Nine of Wands', '4/4d/Tarot_Nine_of_Wands'], [32, 'Ten of Wands', '0/0b/Wands10'], [33, 'Page of Wands', '6/6a/Wands11'], [34, 'Knight of Wands', '1/16/Wands12'], [35, 'Queen of Wands', '0/0d/Wands13'], [36, 'King of Wands', 'c/ce/Wands14'], [37, 'Ace of Cups', '3/36/Cups01'], [38, 'Two of Cups', 'f/f8/Cups02'], [39, 'Three of Cups', '7/7a/Cups03'], [40, 'Four of Cups', '3/35/Cups04'], [41, 'Five of Cups', 'd/d7/Cups05'], [42, 'Six of Cups', '1/17/Cups06'], [43, 'Seven of Cups', 'a/ae/Cups07'], [44, 'Eight of Cups', '6/60/Cups08'], [45, 'Nine of Cups', '2/24/Cups09'], [46, 'Ten of Cups', '8/84/Cups10'], [47, 'Page of Cups', 'a/ad/Cups11'], [48, 'Knight of Cups', 'f/fa/Cups12'], [49, 'Queen of Cups', '6/62/Cups13'], [50, 'King of Cups', '0/04/Cups14'], [51, 'Ace of Swords', '1/1a/Swords01'], [52, 'Two of Swords', '9/9e/Swords02'], [53, 'Three of Swords', '0/02/Swords03'], [54, 'Four of Swords', 'b/bf/Swords04'], [55, 'Five of Swords', '2/23/Swords05'], [56, 'Six of Swords', '2/29/Swords06'], [57, 'Seven of Swords', '3/34/Swords07'], [58, 'Eight of Swords', 'a/a7/Swords08'], [59, 'Nine of Swords', '2/2f/Swords09'], [60, 'Ten of Swords', 'd/d4/Swords10'], [61, 'Page of Swords', '4/4c/Swords11'], [62, 'Knight of Swords', 'b/b0/Swords12'], [63, 'Queen of Swords', 'd/d4/Swords13'], [64, 'King of Swords', '3/33/Swords14'], [65, 'Ace of Pentacles', 'f/fd/Pents01'], [66, 'Two of Pentacles', '9/9f/Pents02'], [67, 'Three of Pentacles', '4/42/Pents03'], [68, 'Four of Pentacles', '3/35/Pents04'], [69, 'Five of Pentacles', '9/96/Pents05'], [70, 'Six of Pentacles', 'a/a6/Pents06'], [71, 'Seven of Pentacles', '6/6a/Pents07'], [72, 'Eight of Pentacles', '4/49/Pents08'], [73, 'Nine of Pentacles', 'f/f0/Pents09'], [74, 'Ten of Pentacles', '4/42/Pents10'], [75, 'Page of Pentacles', 'e/ec/Pents11'], [76, 'Knight of Pentacles', 'd/d5/Pents12'], [77, 'Queen of Pentacles', '8/88/Pents13'], [78, 'King of Pentacles', '1/1c/Pents14'] ] card_name_list = [] for _, card_name, _ in tarot_card_list: card_name_list.append("'" + card_name + "'") card_names = ','.join(card_name_list) instruction_message_list = [ "당신은 친절한 타로카드상담사입니다. 사용자에게 반갑게 인사하고 질문을 편안하게 유도하는 말을 합니다. 문장에 이모지를 추가합니다.", "받은 [질문]에 대해서 공감한 뒤, 타로 게임을 시작해도 되는 지 '예' 또는 '아니오'로 대답할 수 있도록 물어봅니다. 그 외의 다른 질문은 하지 않습니다. 이 때 타로 카드는 아직 뽑지 않습니다. 문장에 이모지를 추가합니다.", "사용자가 시작을 원치 않으면 상담을 중단합니다. 그렇지 않다면, [" + card_names + "]에서 임의의 3장의 카드를 고른 뒤, 카드 이름을 한 문장씩 따로 작성합니다.\n 받은 [질문]에 맞게 고른 카드를 순서대로 해석한 뒤, 종합적으로 해석한 내용을 깊이있고 친절하게 작성합니다. 문장에 이모지를 추가합니다." ] used_cards = [] def process_scenario(user_id, user_message, instruction_message): global pred_func add_message(user_id, str({"role" : "user", "content": user_message})) if len(instruction_message) > 0: add_message(user_id, str({"role" : "system", "content": instruction_message})) all_message = get_message_history(user_id) query_message = [] for msg in all_message: query_message.append(eval(msg[0])) assistant_message = pred_func(query_message) add_message(user_id, str({"role" : "assistant", "content": assistant_message})) return assistant_message def get_pic(input_text): ret = [] for card_num, card_name, card_url in tarot_card_list: if card_name in input_text and card_name not in used_cards: ret.append(''.format(card_name, card_url)) used_cards.append(card_name) return ret get_window_url_params = """ function(url_params, chat_state) { const params = new URLSearchParams(window.location.search); url_params = Object.fromEntries(params); return [url_params, chat_state, chat_state]; } """ def demo_load(url_params, chat_state): user_id = url_params['email'] del_message_history(user_id) chat_state, _ = predict_demo(url_params, "안녕하세요.", chat_state) return url_params, chat_state, chat_state def predict_demo(url_params, user_input, state): user_id = url_params['email'] instruction_message = '' instruction_message_idx = get_instruction_message_count(user_id) history_count = get_message_log_history_count(user_id) if instruction_message_idx < len(instruction_message_list): if instruction_message_idx == 0: additional_comment = '첫 방문한 사용자이니 첫방문에 대해 감사의 말을 작성합니다.' if history_count > 0: additional_comment = '재방문한 사용자이니 다시 찾아온 것에 대해 감사의 말을 작성합니다.' instruction_message = additional_comment + instruction_message_list[instruction_message_idx] else: instruction_message = instruction_message_list[instruction_message_idx] response = process_scenario(user_id, user_input, instruction_message) state = state + [(user_input, None)] response_items = response.split('\n\n') for item in response_items: state = state + [(None, item)] pic_list = get_pic(item) for pic_item in pic_list: state = state + [(None, pic_item)] return state, state def demo_from_submission(key, pyname, func): global pred_func init_db() try: pred_func = func with gr.Blocks() as demo: chatbot = gr.Chatbot() url_params = gr.JSON({'email':'tykim@aifactory.page'}, #수정필요 visible=False, label="URL Params") chat_state = gr.State([]) with gr.Row(): user_input = gr.Textbox(show_label=False, placeholder="메시지를 입력한 후 엔터를 눌려주세요.").style(container=False) demo.load(demo_load, inputs = [url_params, chat_state], outputs = [url_params, chatbot, chat_state], _js = get_window_url_params) user_input.submit(predict_demo, inputs=[url_params, user_input, chat_state], outputs=[chatbot, chat_state]) user_input.submit(lambda :"", None, user_input) demo.launch(server_name="0.0.0.0", debug=True) except Exception as e: sendResultForDemoAPI(str(e))</code>ModelModel 부분에서는 predict 함수만 정의하고, aif 패키지를 통해서 aif로 자신의 모델을 전달할 수 있습니다.<code class="language-python">def predict(input_message): import openai import time openai.api_key = "OpenaAI 사용자키" start = time.time() res = openai.ChatCompletion.create(model="gpt-3.5-turbo", messages=input_message) ret = res['choices'][0]['message']['content'] return ret import aifactory.grade as aif import ipynbname import os if __name__ == "__main__": filename = '' try: filename = ipynbname.name() except Exception as e: filename = os.path.basename(__file__) print(filename) aif.submit("AIFactory 태스크키",filename, predict)</code>태스크과 모델 연동로컬에서 시행하실 때는 아래와 같이 함수를 호출하면 됩니다.<code class="language-python">if __name__ == "__main__": demo_from_submission('', '', predict)</code>AIFactory 플랫폼 이용현재 데모는 AIFactory 플랫폼 상에서 서비스가 제공되고 있습니다. AIFactory는 GCP 기반으로 MLOps로 구성되어 AI 모델을 빠르고 안정적으로 온보딩 절차를 수행할 수 있습니다. ChatGPT 활용은 물론 다양한 AI 모델과의 연동을 위한 준비가 되어 있으니 자신의 모델을 만들고 싶거나 서빙하고 싶은 분은 연락주세요~그리고 3월, 4월에 있을 챗GPT 러닝데이 및 해커톤 정보도 드립니다.챗GPT 러닝데이 & 해커톤 - 전과정 무료3월 한 달동안 매주 화요일 저녁에 챗GPT를 이해하기 위한 기초 내용 및 이론을 배우고, 실습을 해본 뒤 실제 개발과 활용을 어떻게 해야할 지 살펴봅니다. 이어서 4월에는 지금까지 배운 것들을 활용하여 프롬프트, 확장앱, API 기반 서비스를 만드는 해커톤을 진행합니다. 챗GPT에 관심있는 기관 혹은 서비스나 기술을 알리고싶은 기업 후원을 받고 있으니 아래 링크에서 신청 부탁드립니다.챗GPT 해커톤 후원사 모집 (~ 4월 18일 23시) >> https://aifactory.space/competition/detail/2292챗GPT 해커톤 참가자 모집 (~ 4월 18일 23시) >> https://aifactory.space/competition/detail/2290챗GPT 러닝데이 안내 (3월달 매주 화요일 저녁 7시~9시 온라인) >> https://aifactory.space/learning/detail/2291문의인공지능팩토리 김태영 대표이사마이크로소프트 Regional Director이메일 : tykim@aifactory.page
챗GPT API 살펴보기 (사용후기 포함 - 4.76배 속도향상, 10배 비용절감 )
기다리고 기다리던 챗GPT API가 나왔습니다. 공식 페이지 및 사용법 그리고 테스트 한 결과를 간단하게 살펴보겠습니다. 결론부터 말씀드리면 속도는 4.76배 향상(제가 테스트한 경우에 한정), 비용은 10배 절감됩니다. 챗GPT 모델 “gpt-3.5-turbo”ChatGPT API에서는 챗GPT와 동일한 모델인 gpt-3.5-turbo을 사용합니다. 챗팅 외의 사용함에 있어서도 좋은 성능을 보이고 있어, 약간의 프롬프트 조정만으로 text-davinci-003 모델 대신 gpt-3.5-turbo 모델을 사용할 수 있다고 하네요. 공식 페이지를 보면 두 가지 버전을 제공하고 있는데요. 정식은 gpt-3.5-turbo 이나 6월 1일까지 3개월 동안 개발자 피드백을 받기 위한 gpt-3.5-turbo-0301 모델도 따로 출시되어 있습니다.채팅을 위한 태스크 “Chat completions”gpt-3.5-turbo와 같이 Chat completions 태스크도 추가되었네요. 이 태스크를 통해 아래 업무를 수행할 수 있다고 합니다. 익히 알고 있는 활용 사례이죠?전자 메일 또는 기타 문서 초안 작성파이썬 코드 작성문서 집합에 대한 질의응답대화형 에이전트 만들기소프트웨어에 자연어 인터페이스 제공다양한 주제가 가능한 튜터번역게임에 사용할 캐릭터API 사용법ChatML 이라는 새로운 형식을 사용합니다. 메시지와 메타데이터가 포함되어 있습니다. 아래와 같이 간단하게 API를 호출할 수 있습니다.<code class="language-python"># Note: you need to be using OpenAI Python v0.27.0 for the code below to work import openai openai.api_key = "사용자 키" response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "Who won the world series in 2020?"}, {"role": "assistant", "content": "The Los Angeles Dodgers won the World Series in 2020."}, {"role": "user", "content": "Where was it played?"} ] )</code>사용 방법은 아래와 같습니다.messages 안에 “role”과 “content”에 내용을 채워서 다음 메시지를 요청합니다. “role”은 시스템, 사용자, 보조자 중에 지정합니다.가장 먼저 시스템 메시지로 시작합니다. 역할을 지정하는 용도로 사용합니다.사용자 메시지는 보조자에게 지시를 내립니다.보조자 메시지는 이전 응답을 지정하는 데 사용합니다. 즉 이전 대화 기록을 참조할 수 있도록 정보를 제공하는 용도입니다.이 보조자 메시지가 중요한데요. 모델은 대화를 저장하고 있지 않기 때문에 API를 사용할 때마다 이전 기록을 함께 제공합니다. 최대 토큰 한계에 도달하지 않도록 최적화시켜야 합니다. 위와 같이 API를 호출하면 응답은 아래와 같이 받습니다. <code class="language-plaintext">{ "choices": [ { "finish_reason": "stop", "index": 0, "message": { "content": "The 2020 World Series was played at Globe Life Field in Arlington, Texas.", "role": "assistant" } } ], "created": 1677713613, "id": "chatcmpl-6pQEvdTvba4OrGtwXw8OVbC8NXqq1", "model": "gpt-3.5-turbo-0301", "object": "chat.completion", "usage": { "completion_tokens": 19, "prompt_tokens": 56, "total_tokens": 75 } }</code>파이썬 코드에서 응답 메시지만 사용할 때는 아래 코드를 사용합니다.<code class="language-python">response[‘choices’][0][‘message’][‘content’]</code>토큰 관리자연어 처리에서는 처리 최소 단위인 “토큰”이라는 개념을 두고 있습니다. 예를 들어, 문자열 "ChatGPT is great!"는 6개의 토큰으로 인코딩됩니다. [Chat], "G", "PT", "is", "great", "!]. 토큰이 다 돈이고 또한 최대 토큰 개수 제한되어 있기 때문에 토큰 수를 계산하면서 관리하는 것이 중요합니다. 중요! 입력과 출력 모두 토큰으로 계산됩니다. 즉 입력 메시지도 토큰 사용량으로 집계되기 때문에 입출력 토큰 모두 신경써야 합니다.사용된 토큰은 응답 메시지에 “total_tokens”으로 표시되어 있습니다. 대화 형식이긴 하지만 최대 토큰 수가 제한되어 있기 때문에 그 안에서 해결해야 합니다.시스템 메시지이 부분은 향후 바뀔 수도 있다고 하지만 현재 버전 모델을 잘 동작시킬 수 있는 방법이기 때문에 살펴보겠습니다. API 사용법에서 보시면, 가장 첫 메시지가 시스템 메시지입니다. 역할을 지정하는 것이라고 생각하시면 됩니다.<code class="language-python">{"role": "system", "content": "You are a helpful assistant."}</code>원하는 출력을 얻지 못했을 경우에는 아래 답변 형식을 지정합니다.지시사항을 보다 명확하게 합니다.답변 형식을 지정합니다.모델에게 단계별로 생각하도록 요청합니다.답변을 결정하기 전에 사전 토론 내용을 제공합니다.프롬프트 엔지니어링에 대해서 좀 더 알고싶으신 분은 여기로…추가 옵션은 다음과 같습니다.온도 : 온도의 경우 0.8과 같이 높은 값을 사용하면 출력이 더 랜덤해지고 0.2와 같이 낮은 값을 사용하면 출력이 더 집중적이고 결정적입니다. 최대 토큰 : 응답을 특정 길이로 제한할 수 있습니다.Completions 대신 Chat을 사용하는 이유 - 결국 돈OpenAI API를 사용하시는 분들은 text-davinci-003를 많이 사용하십니다. 하지만 gpt-3.5-turbo가 1K 토큰당 0.002달러로 10배 저렴하기때문에 chat으로 태스크 변환이 가능하다면 이를 사용하는 것이 더 경제적입니다. 변경하는 방법도 그리 어렵지 않습니다.변경 전 (Completions)보통 아래와 같이 메시지(프롬프트)만 전달했을텐데요.<code class="language-plaintext">Translate the following English text to French: “{text}”</code>변경 후 (Chat)아래와 같이 “role”과 “content”로 구성하여 요청하면 됩니다.<code class="language-plaintext">[ {“role”: “system”, “content”: “You are a helpful assistant that translates English to French.”}, {“role”: “user”, “content”: ‘Translate the following English text to French: “{text}”’} ]</code>시스템 역할 메시지는 반드시 필요한 것은 아니기 때문에 아래와 같이 작성할 수 있습니다.<code class="language-plaintext">[ {“role”: “user”, “content”: ‘Translate the following English text to French: “{text}”’} ]</code>ChatGPT API를 실제로 사용해보자!타로GPT라는 이름으로 챗GPT와 타로게임을 하는 프롬프트를 제작했었는데, API를 이용해서 살펴보겠습니다. 저 역시 ChatGPT가 나오기 전 Completions으로 API 연동했었는데, 이번에 ChatGPT로 바꿔봤습니다. 타로GPT에 대해서 궁금하시면 >> 여기로챗GPT를 브라우저에서 사용한 것을 캡처한 것입니다.Completion 사용 (변경 전)쿼리<code class="language-python">import openai openai.api_key = "사용자키" response = openai.Completion.create( model="text-davinci-003", prompt="당신은 타로 전문가입니다. \n1. 하단의 [질문]을 이해한 후 [... 이하 생략 temperature=0.3, max_tokens=1607, top_p=1, frequency_penalty=0, presence_penalty=0 ) print(response['choices'][0]['text'])</code>응답<code class="language-plaintext">Processing Time : 40.06985569000244 이번 타로 카드로 이직에 대한 질문에 대한 답변을 찾아보겠습니다. 임의로 선택한 카드는 The Fool(어리석은 자), The Magician(마법사), The High Priestess(대여사제)입니다. The Fool 카드는 새로운 시작을 의미합니다. 이직을 하고 싶다는 생각은 새로운 시작을 의미하며, 이는 당신의 생각을 따르는 것이 좋다는 것을 의미합니다. The Magician 카드는 자신의 능력을 이용하여 이루고자 하는 목표를 달성하는 것을 의미합니다. 이직을 하고 싶다는 생각을 따라가려면 당신의 능력을 이용하여 목표를 달성해야 합니다. The High Priestess 카드는 자신의 내면을 이해하고 자신의 목표를 이루기 위해 자신의 내면을 이해하는 것을 의미합니다. 이직을 하고 싶다는 생각을 따라가기 위해서는 당신의 내면을 이해하고, 자신의 목표를 이루기 위해 자신의 내면을 이해해야 합니다. 종합하여 보면, 이직을 하고 싶다는 생각은 새로운 시작을 의미하며, 이를 따르기 위해서는 당신의 능력을 이용하여 목표를 달성하고, 자신의 내면을 이해하고 자신의 목표를 이루기 위해 자신의 내면을 이해해야 합니다. 또한 이직을 하기 위해서는 각종 준비를 잘 해야하며, 이직하기 전에 자신의 능력과 목표를 명확하게 정해야 합니다.</code>ChatCompletion 사용 (변경 후)쿼리<code class="language-python">import openai openai.api_key = "사용자키" response = openai.Completion.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": "당신은 타로 전문가입니다. \n1. 하단의 [질문]을 이하 생략 {"role": "user", "content": "[질문]: \"이직을 하고 싶은데, 이직을 하면 좋을 지, 한다면 어떻게 해야할 지 알려주세요.\"\n"}, {"role": "system", "content": "\n\n[타로카드목록] \n{카드 번호}, {카드 이름} 이하 생략 {"role": "assistant", "content": "해석:"} ) return response['choices'][0]['message']['content']</code>응답<code class="language-plaintext">Processing Time : 8.417980670928955 이 질문에 답하기 위해, 세 장의 카드를 골라 해석해보았습니다. 1. The Hermit (음양 : 음) 이 카드는 외부의 영향과 주변 소음에서 독립적인 시간을 가져야 한다고 하는 메시지를 전달합니다. 이 카드는 현재 있는 상황에서 벗어나 조용한 여유로운 공간에서 스스로를 돌아봐야 함을 알려줍니다. 이로써 여러 분이 이직을 고민하며 질문을 하게 된 것 같습니다. 카드는 이직을 결정해야 하는 현재의 상황에서 과감한 결정보다는 시간이 필요하다는 것을 알려줍니다. 스스로와의 대화와 상황에 대한 심사숙고를 통해 미래에 대한 변화를 준비할 시간이 필요하다는 의미가 될 수 있습니다. 2. Six of Swords (음양 : 양) 이 카드는 변화와 진보에 대한 메시지를 전달합니다. 현재 상황에서 새로운 시도를 하는 것이 중요함을 말해줍니다. 이 카드는 안정적인 상황에서 벗어나 미래로 나아갈 준비를 해야 한다는 것을 알려줍니다. 적극적이고 개척적인 진취적인 태도가 필요하다는 의미가 될 수 있습니다. 3. Three of Cups (음양 : 양) 이 카드는 성공적인 협업이 가능함을 말해줍니다. 이직을 할 때 다른 지원자들 보다 더 우수한 인재로 인지될 수 있을 것입니다. 이 카드는 또한 축복과 성공, 즐거움을 나눌 수 있는 친구들과 함께 미래를 바라볼 수 있다는 것을 상기시킵니다. 이로써 여러분이 이직을 결정할 때는 주변 지인들과 함께 의견을 나누어 보는 것도 좋을 것입니다. 종합적으로, 이 세 장의 카드들은 변화를 향해 나아가야 한다는 결론을 내릴 수 있습니다. 전략적인 계획과 조용한 여유로운 분위기에서 끊임없는 변화를 추구해야 할 것입니다. 이를 위해 여러분 스스로에게 질문을 던져보며, 심사숙고를 하는 시간이 필요할 것입니다. 예상치 못한 성공이 당신을 기다리고 있으며, 그에 대한 기대감은 주변 지인들과 함께 나누는게 좋을 것입니다.</code>결과 내용 자체는 매번 실행시킬 때마다 달라 비교하기 힘들지만, 처리 속도는 4.76배입니다! 가격도 10배 저렴하니 사용해볼만 합니다.사용자 전용 인스턴스 사용자에 특화된 전용 인스턴스도 제공 가능합니다. 애저에서 실행되고, 사용 기간 당 비용을 지불하고 아래 기능을 사용할 수 있습니다.인스턴스 로드더 긴 컨텍스트 사용모델 스냅샷 고정하루 최대 4억 5천만 개의 토큰을 실행하는 사용처에서 경제적인 의미가 있고 하드웨어 성능을 최적화할 수 있어서 공유 인프라 비용도 절감할 수 있다고 합니다.사례공식 블로그에 보시면 아래 사례에 대해서 소개가 되어 있습니다.스냅챗 : 사용자에 특화된 전용 인스턴스도 제공 가능합니다. 애저에서 실행되고, 사용 기간 당 비용을 지불하고 아래 기능을 사용할 수 있습니다.Quizlet : 채팅 기반의 학습 플랫폼Instacart : 음식 주문에 도움을 줌Shop : 쇼핑하는 데 있어 최적화된 개인화 서비스 제공Speak : (자랑스런 한국앱!) 채팅 기반의 영어 학습 앱참고https://openai.com/blog/introducing-chatgpt-and-whisper-apishttps://platform.openai.com/docs/guides/chat/그리고 3월, 4월에 있을 챗GPT 러닝데이 및 해커톤 홍보도 함께 드립니다.챗GPT 러닝데이 & 해커톤 - 전과정 무료3월 한 달동안 매주 화요일 저녁에 챗GPT를 이해하기 위한 기초 내용 및 이론을 배우고, 실습을 해본 뒤 실제 개발과 활용을 어떻게 해야할 지 살펴봅니다. 이어서 4월에는 지금까지 배운 것들을 활용하여 프롬프트, 확장앱, API 기반 서비스를 만드는 해커톤을 진행합니다. 챗GPT에 관심있는 기관 혹은 서비스나 기술을 알리고싶은 기업 후원을 받고 있으니 아래 링크에서 신청 부탁드립니다.챗GPT 해커톤 후원사 모집 (~ 4월 18일 23시) >> https://aifactory.space/competition/detail/2292챗GPT 해커톤 참가자 모집 (~ 4월 18일 23시) >> https://aifactory.space/competition/detail/2290챗GPT 러닝데이 안내 (3월달 매주 화요일 저녁 7시~9시 온라인) >> https://aifactory.space/learning/detail/2291문의인공지능팩토리 김태영 대표이사tykim@aifactory.page
챗GPT로 타로카드점치기 (카드 이미지 표시 + 질문 해석 + 한글 프롬프트)
챗GPT로 타로카드 점치는 것도 가능할까? 라고 생각하던 중에 찾아보니 몇가지 프롬프트를 알게되었는데요. 이 중에 타로카드 이미지를 표시해주는 프롬프트를 https://www.chainbrainai.com/ 에서 “Tarot Card Reading (with embedded card images)”에서 찾았습니다. 이를 기반으로 몇 가지 더 기능을 추가하고 시도해보고 싶었던 것이 있었는데요. 아래 요구사항을 만족하는 프롬프트를 만들고 싶었습니다.한글 프롬프트로 성공할 것카드 이미지를 표형식으로 이쁘게 보여줄 것질문을 이해하고, 질문에 대한 카드 해석을 해야할 것여러번 시도하더라도 제대로 나올 것이러한 요구사항을 만족하기 위해서 각각 단위 기능을 테스트 한 후, 최종으로 아래와 같이 프롬프트를 설계했습니다.프롬프트 설계일반적으로 프롬프트는 지시문, 지문, 질문, 답변유도 등으로 구성되는데요. 각각 아래와 같이 지정했습니다.지시문: 역할지정과 진행순서 그리고 표시방법을 지정합니다.질문: 사용자의 질문을 넣습니다.지문: 타로카드 목록을 나열합니다. 이미지를 표시하기 위해 파싱을 해야하므로 CSV 형태로 구성했습니다.답변유도 표시: “해석:”이라고 명시하면, 이후에는 챗GPT가 알아서 답변을 해줍니다. 답변유도를 하지 않으면, 자신에게 무엇을 묻는 지 몰라 되묻거나 제대로 동작을 하지 않을 수 있습니다.결과 화면은 아래와 같습니다. 실제로 타로점보든 카드를 뒤집어서 보여주듯 한 장씩 표시되네요.프롬프트와 답변이번 사용된 프롬프트 및 답변을 가지고 왔습니다. 팁이나 추가 설명이 필요할 경우 아래 서식을 이용했습니다. 팁 혹은 추가설명프롬프트 설명에서는 팁이나 추가설명 때문에 복사 붙이기로 사용하시기에는 불편하실 것 같아 전체 프롬프트 원본은 “데이터”탭에 업로드 해두었습니다. “챗GPT로 타로카드 점치기 프롬프트.txt”를 클릭하여 다운로드 받으시면 됩니다.그럼 프롬프트를 살펴보겠습니다. 당신은 타로 전문가입니다. 역할을 지정합니다. 굳이 하지 않아도 되긴 합니다.다음의 순서로 진행합니다. $카드 이미지$는 으로 표시할 수 있습니다.이미지 표시를 위해서 마크다운 방식을 취했습니다. 1. 하단의 [질문]을 이해한 후 [타로카드목록]의 1번에서 78번 중에서 3장의 카드를 섞은 뒤 무작위로 고릅니다. 2. 카드 이미지를 표로 작성합니다. 예시) |첫번째 $카드 이미지$|두번째 $카드 이미지$|세번째 $카드 이미지$| 3. [질문]에 맞게 고른 카드를 순서대로 짧게 해석한 뒤, 종합적으로 해석한 내용을 깊이있고 친절하게 작성합니다.프롬프트에 짧게 해석해달라고 명시했습니다. 명시하지 않으면 카드 하나하나 설명을 장황하게 하고는 종합해석 중에 그만두는 경우가 발생합니다.[질문]: "일하는데 스트레스를 너무 많이 받습니다. 이직을 하면 좋을 지 아니면 더 적응을 해야할 지 알려주세요."사용자 질문을 가장 마지막에 나오는 편이 사용하기에는 편하지만, 지문이 현재 길어서 제대로 질문을 인식하지 않아서 초반부에 삽입하였습니다.[타로카드목록] {카드 번호}, {카드 이름}, {카드 링크} 1, The Fool, 9/90/RWS_Tarot_00_Fool 2, The Magician, d/de/RWS_Tarot_01_Magician 3, The High Priestess, 8/88/RWS_Tarot_02_High_Priestess …(중략) 원본은 데이터탭에서 다운로드 가능합니다.76, Knight of Pentacles, d/d5/Pents12 77, Queen of Pentacles, 8/88/Pents13 78, King of Pentacles, 1/1c/Pents14해석:답변 유도 지시어를 추가했습니다.저는 타로 전문가입니다. 이 질문에 답하기 위해 1에서 78번 중에서 3장의 카드를 골랐습니다.첫번째 주문이 질문을 이해하라는 것이었습니다. 이 주문이 없다면, 질문과 상관없이 카드를 뽑고 그냥 카드만 해석하는 경우가 있습니다.선택한 카드는 다음과 같습니다:이미지로 표시하기 위해서는 마크다운 형식으로 표시해야합니다. 단 이미지는 이미 웹상에서 가지고 올 수 있는 링크여야 합니다.카드 이미지카드 이미지카드 이미지선택한 카드를 짧게 해석하면 다음과 같습니다:Strength: 이 카드는 여러 가지 문제를 해결하는 데 필요한 강한 의지와 인내력을 상징합니다. 이 카드는 이 질문의 대답을 찾는 사람에게 일을 하는 데 필요한 인내심을 부여할 수 있습니다.Two of Wands: 이 카드는 결정을 내리기 위해 선택의 기로에 선 상황을 나타냅니다. 그러나 이 카드는 또한 긍정적인 선택이 가능하다는 것을 암시합니다. 새로운 전망을 탐색하고 싶은 욕구가 있다면 이 카드는 이직을 고려해볼 수도 있다는 것을 시사합니다.Six of Cups: 이 카드는 과거의 추억과 연관된 사람들과의 관계를 나타냅니다. 이 카드는 새로운 일을 시작하기 전에 과거의 일을 마음 속에서 해결해야 한다는 것을 암시합니다. 이직을 결정하려면 이전의 직장에서의 경험들을 돌아보고 이를 해결해 나가야할 필요성이 있을 수 있습니다.이 카드들을 종합적으로 해석해보면, 이직을 고민하는 상황에서는 이전의 일들을 해결하고, 긍정적인 선택이 가능한 상황에서 새로운 전망을 탐색해봐야 할 것입니다. 이 질문의 대답은 그 사람이 직장에서 경험하는 스트레스를 덜어주지는 않지만, 이전의 문제를 해결하고 새로운 전망을 향해 나아갈 수 있는 자신감을 부여할 수 있습니다.챗GPT로뭐하기 시리즈전체 시리즈는 타이키모스 블로그에서 보실 수 있습니다. >> https://tykimos.github.io/그리고 3월, 4월에 있을 챗GPT 러닝데이 및 해커톤 홍보도 함께 드립니다.챗GPT 러닝데이 & 해커톤 - 전과정 무료3월 한 달동안 매주 화요일 저녁에 챗GPT를 이해하기 위한 기초 내용 및 이론을 배우고, 실습을 해본 뒤 실제 개발과 활용을 어떻게 해야할 지 살펴봅니다. 이어서 4월에는 지금까지 배운 것들을 활용하여 프롬프트, 확장앱, API 기반 서비스를 만드는 해커톤을 진행합니다. 챗GPT에 관심있는 기관 혹은 서비스나 기술을 알리고싶은 기업 후원을 받고 있으니 아래 링크에서 신청 부탁드립니다.챗GPT 해커톤 후원사 모집 (~ 4월 18일 23시) >> https://aifactory.space/competition/detail/2292챗GPT 해커톤 참가자 모집 (~ 4월 18일 23시) >> https://aifactory.space/competition/detail/2290챗GPT 러닝데이 안내 (3월달 매주 화요일 저녁 7시~9시 온라인) >> https://aifactory.space/learning/detail/2291문의인공지능팩토리 김태영 대표이사tykim@aifactory.page
챗GPT로 문장에 이모지 넣어주기
이모지를 사용하지 않던 사람이 이모지를 사용하려면 살짝 불편합니다. 굳이 넣는 것도 귀찮고, 넣었다고 하더라도 제대로 넣은지도 모르겠고. 그래서 이모지를 추가하는 가이드를 알려준 뒤 문장을 입력해주면, 이모지를 추가해주는 프롬프트를 만들어봤습니다. 프롬프트<code class="language-plaintext">주어진 문장에 대해 아래 가이드라인에 따라 이모지를 추가하여 작성해주세요. 1. 단어를 이모지로 대체하지 않습니다. 2. 이모지는 단어 뒤에 붙입니다. 3. 같은 이모지를 반복해서 사용하지 않습니다. 4. 마침표, 느낌표, 물음표, 동일자음 두 개가 있을 경우 한 문장의 끝입니다. 4. 문장의 의미를 잘 나타낼 수 있는 이모지를 한 문장 끝에 붙입니다. 5. 의미가 유사한 이모지가 있는 경우 해당 단어 뒤에 이모지를 붙입니다. 6. 사물에 해당하는 이모지가 있는 경우 해당 단어 뒤에 이모지를 붙입니다. 7. 감성 단어가 있을 경우 해당 단어 뒤에 이모지를 붙입니다. 주어진 문장: 오~ 누구님 생일 축하드려요. 맛난 케익드시고 좋은 분들과 의미 있고 즐거운 하루를 보내세요~</code>출력<code class="language-plaintext">오~ 누구님 생일 축하드려요 🎉 맛난 케익드시고 좋은 분들과 의미 있고 즐거운 하루를 보내세요~ 🎂🍰🥳</code> 버전 2023-2-25주어진 문장에 대해 아래 가이드라인에 따라 이모지를 추가하여 작성해주세요. 1. 단어를 이모지로 대체하지 않습니다. 2. 이모지는 단어 뒤에 붙입니다. 3. 같은 이모지를 반복해서 사용하지 않습니다. 4. 마침표, 느낌표, 물음표가 있을 경우 한 문장의 끝입니다. 4. 문장의 의미를 잘 나타낼 수 있는 이모지를 한 문장 끝에 붙입니다. 5. 의미가 유사한 이모지가 있는 경우 해당 단어 뒤에 이모지를 붙입니다. 6. 사물에 해당하는 이모지가 있는 경우 해당 단어 뒤에 이모지를 붙입니다. 7. 감성 단어가 있을 경우 해당 단어 뒤에 이모지를 붙입니다.주어진 문장: 오~ 누구님 생일 축하드려요. 맛난 케익드시고 좋은 분들과 의미 있고 즐거운 하루를 보내세요~ 출력: 오~ 누구님 생일 축하드려요 😊. 맛난 케익드시고 좋은 분들과 의미 있고 즐거운 하루를 보내세요~ 🎂🎉🎊
정부기관 챗GPT소개 초청세미나를 챗GPT로 준비하기
챗GPT 열풍이 점점 강해져서 관심있으신 분들이 점점 늘고 있네요. 얼마 전 정부기관에서 챗GPT에 대한 세미나 요청을 해주셔서 세미나 내용에 대해서 구상 중이었는데, 챗GPT 세미나인 만큼 챗GPT의 도움을 받아보면 어떨까라는 생각에 활용해 보았습니다. 총 6가지의 사례가 포함되어 있습니다.전체영상 : 정부기관 챗GPT소개 초청세미나를 챗GPT로 준비하기챗GPT로 세미나 준비하기 - 첫번째(1/6)챗GPT로 보고서 및 계획서 요약하기 - 두번째(2/6)챗GPT로 내용을 표로 요약하기 - 세번째(3/6)챗GPT로 제안서 및 추진계획서 작성하기 - 네번째(4/6)챗GPT로 머신러닝 모델 개발하기 - 다섯번째(5/6)챗GPT로 딥러닝 모델에서 웹앱까지 개발하기 - 여섯번째(6/6)발표자료위 6개의 사례에 대한 발표자료는 상단에 있는 “데이터”탭에서 다운로드 받을 수 있습니다.사례 소개영상영상으로 보실 분은 아래 유튜브를 확인하시면 됩니다.
챗GPT로 세미나 준비하기 - 첫번째(1/6)
본 게시물 아래 시리즈 중 첫번째 게시물입니다. 다른 게시물을 보려면 클릭하세요.전체영상 : 정부기관 챗GPT소개 초청세미나를 챗GPT로 준비하기챗GPT로 세미나 준비하기 - 첫번째(1/6)챗GPT로 보고서 및 계획서 요약하기 - 두번째(2/6)챗GPT로 내용을 표로 요약하기 - 세번째(3/6)챗GPT로 제안서 및 추진계획서 작성하기 - 네번째(4/6)챗GPT로 머신러닝 모델 개발하기 - 다섯번째(5/6)챗GPT로 딥러닝 모델에서 웹앱까지 개발하기 - 여섯번째(6/6)전체 시리즈는 타이키모스 블로그에서 보실 수 있습니다. >> https://tykimos.github.io/이번 사례는 챗GPT로 세미나 준비를 해보도록 하겠습니다. 전체 시나리오는 다음과 같습니다. 세미나 주제 및 시간을 알려주고 목차와 내용을 요청합니다.챗GPT 활용 방법에 대해 요청합니다.프롬프트 예시를 요청합니다.예상 질문 및 답변을 요청합니다.인사말과 맺음말을 요청합니다.세미나 제목을 요청합니다.위 내용을 바탕으로 발표자료를 만듭니다.프롬프트와 답변이번 시나리오에 사용된 프롬프트 및 답변을 가지고 왔습니다. 팁이나 추가 설명이 필요할 경우 아래 서식을 이용했습니다.팁 혹은 추가설명나는 산림청에 초청받아 ChatGPT에 대해 개념에 대해 세미나 발표를 하고, 산림에 활용 가능한 사례에 대해서 논의하고자 한다. 어떤 내용으로 90분동안 세미나를 하면 좋을 지 추천해줘.팁: 세미나 목적과 내용 그리고 시간 정보를 알려줍니다.안녕하세요! 산림청에서 초청받아 세미나 발표를 하는 것은 멋진 기회입니다. ChatGPT에 대한 개념과 산림에 활용 가능한 사례에 대한 논의는 매우 흥미로운 주제입니다. 아래는 90분 동안 세미나를 진행할 수 있는 예시 내용입니다.설명: ‘멋진 기회’라던지 ‘매우 흥미로운’이라는 답변은 챗GPT의 친절함이 느껴지는 대목입니다.1. ChatGPT 소개 (10분)* ChatGPT의 개념과 목적에 대한 소개 * ChatGPT의 동작 원리에 대한 간단한 설명2. ChatGPT의 활용 사례 (30분)* ChatGPT를 사용하여 자연어 처리 분야에서 어떻게 성과를 거두었는지에 대한 사례 설명 * ChatGPT를 활용하여 수행 가능한 작업에 대한 설명 (예 : 문장 생성, 요약, 질문-답변 등)3. 산림 분야에서의 ChatGPT 활용 사례 (30분)* ChatGPT를 사용하여 산림 분야에서 어떻게 활용할 수 있는지에 대한 사례 설명 (예 : 자동 번역, 산림 관련 질문-답변 시스템 등) * ChatGPT를 활용하여 어떻게 산림 관련 데이터를 분석하고 예측하는지에 대한 설명4. ChatGPT의 한계와 개선 방안 (15분)* ChatGPT의 한계에 대한 설명 * ChatGPT를 개선하기 위해 현재 연구 중인 방안에 대한 소개5. 토론과 질의응답 (5분)* 참가자들과 함께 토론하고 질문에 답변하는 시간위 내용은 세미나 발표의 일부분이며, 시간 및 참가자의 수, 구체적인 목적 등에 따라 수정될 수 있습니다. 이를 참고하시어 세미나를 준비해주시기 바랍니다.산림청은 산림자원의 증식, 산림의 보호육성, 임산물의 이용개발, 산지의 보전 및 산림경영의 연구/개선에 관한 사무를 관장하는 곳이다. ChatGPT로 산림 분야에 활용할 수 있는 방안과 산림청에서 행정업무 수행하는 데 있어 도움을 받을 수 있는 기능에 대해서 좀 더 자세히 알고 싶어.ChatGPT는 자연어 처리 분야에서 매우 강력한 모델로, 산림 분야에서 다양한 방면으로 활용할 수 있습니다. 이에 따라 산림청에서도 ChatGPT를 활용하여 행정 업무를 수행할 수 있는 다양한 기능을 개발할 수 있습니다.다음은 ChatGPT를 활용하여 산림 분야에서 유용한 방안과 산림청에서 활용 가능한 기능에 대한 예시입니다.1. 산림 자원 관리* ChatGPT를 활용하여 산림 자원 관련 문서의 요약 및 분류 기능 개발 * ChatGPT를 활용하여 산림 생태계 관련 문서의 자동 번역 기능 개발 * ChatGPT를 활용하여 산림 토양 분석 및 예측 기능 개발2. 산림 임업 관리* ChatGPT를 활용하여 산림 임업 관련 질문-답변 시스템 개발 * ChatGPT를 활용하여 산림 임업 관련 문서의 자동 번역 및 요약 기능 개발 * ChatGPT를 활용하여 산림 임업 관련 데이터의 예측 및 분석 기능 개발3. 산림 경영 및 보전* ChatGPT를 활용하여 산림 관리 관련 질문-답변 시스템 개발 * ChatGPT를 활용하여 산림 관련 정책 및 법령 관련 문서의 자동 번역 및 요약 기능 개발 * ChatGPT를 활용하여 산림 경영 및 보전에 필요한 데이터의 예측 및 분석 기능 개발산림청에서는 이러한 ChatGPT의 기능들을 활용하여 다양한 업무를 보다 빠르고 정확하게 수행할 수 있습니다. 예를 들어, ChatGPT를 이용하여 산림분야와 관련된 질문에 대한 대답을 자동으로 제공하거나, 산림분야와 관련된 문서를 번역 및 요약하여 보다 효율적으로 이해하고 활용할 수 있습니다. 이러한 기능들은 산림분야에서의 업무 효율성을 높이는 데 큰 도움이 될 것입니다.아래는 산림청에서 하는 항목 들이야. 각 항목별로 ChatGPT를 어떻게 활용할 수 있을 지 알려줘. 1. 산림의 보호, 육성 : 산림이 잘 보존되도록 보호하고 산림을 조성하기도 합니다. 산림보호구역을 지정, 산불방지기간에 입산통제를 하는 등에 일 등이 있습니다. 2. 산림자원의 증식 : 산림에서 얻을 수 있는 자원인 목재와 버섯, 나물 등의 산림부산물을 많이 얻기 위한 방법을 연구 합니다. 3. 우량종묘 개발 및 보급 : 우수한 형질의 나무를 만들기 위해 채종림과 채종원을 만들어 우수한 종자와 우수한 형질의 나무를 만들기 위한 노력을 하고 있습니다. 4. 산림사고 : 산림에서 일어날 수 있는 재해인 산사태, 산불 등을 예방하고 재해 발생 시 복구하는 일을 합니다. 5. 병충해 방지 : 나무에 생기는 수목병과 해충은 나무가 잘 자라지 못하고 시들시들하거나 잎에 반점 등을 만들기도 하며 방치하였을 때 심할 경우 우리나라 전체의 산림으로 다 퍼져 나무를 고사 시키는 무시무시한 병해충도 있습니다. 대표적인 예로 소나무재선충병이 있는데 소나무재선충병에 걸리면 나무가 고사하게 되며 전파속도 또한 매우 빠릅니다. 이러한 병충해를 사전에 예방하며 병충해 발생 시 피해가 더 심해지지 않도록 조치를 취하기도 합니다. 6. 야생조수의 보호 : 산에 사는 새와 동물을 보호합니다. 7. 목재 수급의 조정 : 목재 가격의 안정을 위해 수요와 공급을 조정합니다. 8. 해외 산림자원의 개발 : 기업에서 탄소배출권을 확보하기 위해 해외조림 사업을 많이 하고 있는데 해외 산림자원을 개발하는 개인이나 회사에 각종 지원을 하기도 하며 해외에서 이루어지는 조림(산업조림, 탄소배출권조림, 바이오에너지조림), 육림, 벌채 및 임산물가공 등을 하는 것을 말합니다. 9. 임산물 수출입1. 산림의 보호, 육성 : ChatGPT를 활용하여 산림 생태계의 이해, 산림 지리학, 산림 생태학 등과 관련된 정보를 제공할 수 있습니다. 또한, 산림에서 발생하는 재해에 대한 예방 및 대처 방안을 제공할 수 있습니다. 2. 산림자원의 증식 : ChatGPT를 활용하여 산림 재배, 적정 가격의 산림부산물 생산, 재배 방법 등을 연구할 수 있습니다. 3. 우량종묘 개발 및 보급 : ChatGPT를 활용하여 좋은 형질의 나무를 개발하고, 적정한 시기에 적절한 방법으로 종자를 수확하여 보급하는 방법 등에 대해 연구할 수 있습니다. 4. 산림사고 : ChatGPT를 활용하여 산림 재해 예방 방법, 재해 발생 시 대처 방법, 재해 발생 시 복구 방법 등에 대해 제공할 수 있습니다. 5. 병충해 방지 : ChatGPT를 활용하여 나무병과 해충의 예방 및 대처 방법, 발생 시 조치 방법 등에 대해 제공할 수 있습니다. 6. 야생조수의 보호 : ChatGPT를 활용하여 산림 생태계와 생물 다양성에 대한 이해와, 산림에서 서식하는 동물들에 대한 정보 제공 등을 할 수 있습니다. 7. 목재 수급의 조정 : ChatGPT를 활용하여 수목자원의 생산과 수급을 조정하는 방법, 나무가격 예측 모델 개발, 나무재배의 최적화 방안 등을 연구할 수 있습니다. 8. 해외 산림자원의 개발 : ChatGPT를 활용하여 해외 산림자원 개발에 대한 정보와 전략, 그리고 해외 산림자원 개발 시 고려해야 할 사항들을 제공할 수 있습니다. 9. 임산물 수출입 : ChatGPT를 활용하여 임산물의 생산, 가공, 유통 등에 대한 정보와 수출입 절차, 수출입 관련 법령 등을 제공할 수 있습니다. 또한, 임산물의 품질관리, 검사방법 등에 대해 제공할 수도 있습니다.각 항목별로 ChatGPT에서 명령할 수 있는 프롬프트 예시도 알려줄래?네, 각 항목별로 ChatGPT에서 사용할 수 있는 프롬프트 예시를 알려드리겠습니다.1. 산림의 보호, 육성:* "산림보호구역 지정 방법은?" * "입산통제를 하는 방법은?" * "산림을 조성하기 위한 방법은?"2. 산림자원의 증식:* "산림부산물 증식을 위한 최신 기술은?" * "산림에서 버섯과 나물을 얻는 방법은?" * "산림 부산물 생산을 높이는 방법은?"3. 우량종묘 개발 및 보급:* "우수한 종자와 형질의 나무를 개발하는 방법은?" * "우량종묘를 보급하는 방법은?" * "종자 저장 방법은?"4. 산림사고:* "산림재해 예방을 위한 방법은?" * "산림재해 발생 시 조치 방법은?" * "재해 발생 후 산림 복구를 위한 방법은?"5. 병충해 방지:* "수목병과 해충 예방을 위한 방법은?" * "나무 병해충 예방을 위한 최신 기술은?" * "소나무재선충병 예방법은?"6. 야생조수의 보호:* "산악지형에서의 야생조수 보호 방법은?" * "산림생태계의 조화로운 유지를 위한 야생조수 보호 방법은?" * "야생조수 보호를 위한 법적 제도는?"7. 목재 수급의 조정:* "목재 수급을 조정하는 방법은?" * "목재 수요와 공급을 조정하는 방법은?" * "목재 가격 안정을 위한 정책은?"8. 해외 산림자원의 개발:* "해외 산림자원 개발을 위한 정책은?" * "해외 산림자원 조성을 위한 최신 기술은?" * "해외 산림자원 개발의 장단점은?"9. 임산물 수출입:* "임산물 수출입 관련 법적 제도는?" * "임산물 수출입 절차는?" * “임산물 수출입 관련 최신 동향은?”인공지능을 활용하여 소나무재선충병을 예방하고 분석하고 조치하는 방안에 대해 알려줘.소나무재선충병을 예방하고 분석하며 조치하기 위해서는 인공지능 기술을 활용하는 것이 가능합니다. 다음과 같은 방안을 고려해 볼 수 있습니다.1. 이미지 인식 기술 활용 : 소나무재선충병에 감염된 나무의 이미지를 수집하여, 인공지능 알고리즘을 사용하여 감염된 나무를 식별할 수 있습니다. 이를 통해 조기에 감염된 나무를 발견하고 빠르게 대처할 수 있습니다. 2. IoT 기술 활용 : 나무 주변에 IoT 센서를 설치하여 나무의 생육 환경을 모니터링할 수 있습니다. 이를 통해 감염 위험이 있는 나무를 사전에 파악하고, 적절한 예방 조치를 취할 수 있습니다. 3. 머신러닝 기술 활용 : 이미지 인식 기술과 IoT 센서를 활용하여 수집한 데이터를 머신러닝 알고리즘에 학습시켜, 소나무재선충병에 감염된 나무를 자동으로 인식하고 진단할 수 있습니다. 이를 통해 빠르게 대처할 수 있습니다. 4. 자동화된 처리 시스템 : 인공지능 기술을 통해 나무에 감염된 재선충을 검출하면, 자동화된 처리 시스템을 이용하여 적정한 양의 살충제를 분사하는 등의 조치를 취할 수 있습니다. 이를 통해 인력과 비용을 절감하면서도 효과적인 대처가 가능합니다. 5. 데이터 분석을 통한 예측 : 인공지능 알고리즘을 이용하여 지난 소나무재선충병의 발생 기록 및 환경 조건 등을 분석하여, 미래의 발생 가능성을 예측하는 것도 가능합니다. 이를 통해 예방적 대처가 가능해집니다. 위와 같은 방안들은 산림분야에서 인공지능 기술을 활용한 새로운 접근 방법으로 주목받고 있으며, 소나무재선충병을 비롯한 다양한 산림병해충 예방 및 대처에 많은 도움이 될 수 있습니다.소나무재선충병 감염 여부 분류 모델을 학습하기 위한 이미지와 IoT 센서 데이터셋을 다운받을 수 있는 웹사이트나 링크를 추천해줘.제가 알고 있는 소나무재선충병 이미지 및 IoT 센서 데이터셋을 다운로드할 수 있는 웹사이트는 아래와 같습니다.1. 한국산업기술대학교 인공지능 융합연구소 : [https://ai.kpu.ac.kr/data/](https://ai.kpu.ac.kr/data/) 2. 국립산림과학원 : [https://www.forest.go.kr/data/symptom.do](https://www.forest.go.kr/data/symptom.do)위 웹사이트들은 산림 분야에서 활용될 수 있는 데이터셋을 제공하고 있으며, 소나무재선충병 이미지 및 IoT 센서 데이터셋도 포함되어 있습니다. 데이터셋을 다운로드하여 모델 학습 및 검증 등에 활용할 수 있을 것입니다. 하지만 데이터 사용에 있어서 각 사이트에서의 이용 규정을 반드시 확인하시기 바랍니다.설명: 챗GPT는 과거 데이터를 기반으로 정보를 제공하므로 웹사이트 링크인 경우에는 더블체크가 필요합니다.산림청분들을 위한 ChatGPT 세미나 시에 시작할 때의 인사말과 마칠 때의 맺음말을 정중하면서도 인상깊게 작성해줘.팁: 인사말과 맺음말은 전체 내용이 파악이 된 이후에 요청하는 것이 좋습니다.인사말: 존경하는 산림청 분들, 안녕하십니까? 저희 ChatGPT 세미나에 참여해 주셔서 감사드립니다. 오늘은 인공지능과 자연환경 보전에 대해 함께 나누고자 합니다. 이번 세미나를 통해 산림분야에서 인공지능 기술의 적용 가능성과 발전 방향에 대해 알아보도록 하겠습니다.맺음말: 오늘 저희와 함께 산림분야와 인공지능에 대한 이야기를 나누어 주셔서 감사합니다. 이번 세미나를 통해 보다 나은 산림환경과 자연환경 보전에 대한 기회를 창출하고, 인공지능과의 융합이 가능한 분야에 대해 생각해 보았습니다. 산림청 분들께서는 항상 많은 일을 하시는데, 우리 ChatGPT가 조금이나마 도움이 되어 드릴 수 있기를 바랍니다. 감사합니다.이번 세미나에서는 산림청에서 다양한 업무를 수행하시는 분들이 참석하고, 각자 업무에 어떻게 ChatGPT나 인공지능 모델을 활용할 수 있을 지 관심이 많을꺼야. 예상되는 질문과 그에 대한 답변을 작성해줘.일반적으로 예상되는 질문과 그에 대한 답변은 다음과 같습니다:1. ChatGPT와 같은 인공지능 모델을 활용하여 산림 분야에서 어떤 일을 할 수 있을까요? * 인공지능 모델은 산림 분야에서 다양한 업무에 활용될 수 있습니다. 예를 들어, 이미지 분류를 통해 산림 환경을 모니터링하고, IoT 센서 데이터를 분석하여 산림재해 예방 및 대응 등에 활용할 수 있습니다. 2. 인공지능 모델을 사용하기 위해서는 어떤 준비가 필요한가요? * 인공지능 모델을 사용하기 위해서는 데이터가 필요합니다. 모델을 학습시키기 위한 데이터를 수집하거나, 이미 수집된 데이터를 활용하여 모델을 학습시킬 수 있습니다. 또한, 모델 학습에 필요한 하드웨어와 소프트웨어 환경을 구성해야 합니다. 3. 산림 분야에서 인공지능 모델을 적용하기 위해 어떤 기술이 필요한가요? * 산림 분야에서 인공지능 모델을 적용하기 위해서는 주로 컴퓨터 비전, 자연어 처리, 기계 학습 등의 기술이 필요합니다. 이를 위해 Python, TensorFlow, PyTorch 등의 프로그래밍 언어와 라이브러리를 활용할 수 있습니다. 4. 인공지능 모델을 적용할 때 주의할 점은 무엇인가요? * 인공지능 모델을 적용할 때 가장 중요한 것은 데이터의 품질과 양입니다. 모델이 학습할 수 있는 충분한 양의 데이터가 필요하며, 이 데이터는 정확하고 균일한 품질을 유지해야 합니다. 또한, 모델이 도출한 결과를 검증하고 평가하는 방법도 중요합니다. 5. 앞으로 산림 분야에서 인공지능 모델이 어떻게 발전할 것이라고 생각하시나요? * 산림 분야에서 인공지능 모델의 활용이 계속해서 증가할 것으로 예상됩니다. 인공지능 모델은 데이터의 양과 품질을 기반으로 예측과 분석을 수행하기 때문에, 데이터 수집이 쉬워지고 데이터의 품질이 높아질수록 모델의 정확성도 높아질 수 있습니다.이 모든 것을 잘 표현할 수 있는 세미나 제목을 ChatGPT 단어를 포함하여 10개 추천해줘.팁: 세미나 제목 추천은 가장 마지막에 요청합니다.1. ChatGPT를 활용한 산림 업무 혁신 세미나 2. 인공지능의 미래와 산림청의 역할: ChatGPT를 중심으로 3. 산림 업무에서의 ChatGPT 활용 사례 및 효과 4. 대화형 AI ChatGPT로 새로운 산림 업무 패러다임 창출하기 5. ChatGPT를 활용한 산림 자원 보호와 관리 방안 6. 딥러닝 모델을 활용한 산림 환경 분석: ChatGPT를 이용한 데이터 분석 방법론 7. ChatGPT와 IoT 센서를 활용한 산림질병 예방 및 대응 전략 8. 산림 생태계 모니터링에서의 ChatGPT 활용 방안 9. 산림 업무의 미래: ChatGPT와의 협업 10. 산림 경영 혁신의 핵심, ChatGPT의 활용 방안과 성과결론챗GPT 도움을 받아 세미나 준비를 함께 해봤습니다. 가장 많이 도움을 받았던 부분은 막상 시작하기 힘든 경우가 많은데 챗GPT가 뭐라도 얘기해주니 그걸 바탕으로 함께하니깐 짧은 시간에 준비할 수 있었던 것 같습니다.
챗GPT로 내용을 표로 요약하기 - 세번째(3/6)
본 게시물 아래 시리즈 중 세번째 게시물입니다. 다른 게시물을 보려면 클릭하세요.전체영상 : 정부기관 챗GPT소개 초청세미나를 챗GPT로 준비하기챗GPT로 세미나 준비하기 - 첫번째(1/6)챗GPT로 보고서 및 계획서 요약하기 - 두번째(2/6)챗GPT로 내용을 표로 요약하기 - 세번째(3/6)챗GPT로 제안서 및 추진계획서 작성하기 - 네번째(4/6)챗GPT로 머신러닝 모델 개발하기 - 다섯번째(5/6)챗GPT로 딥러닝 모델에서 웹앱까지 개발하기 - 여섯번째(6/6)전체 시리즈는 타이키모스 블로그에서 보실 수 있습니다. >> https://tykimos.github.io/이번 사례는 챗GPT로 내용을 표로 요약해보겠습니다. 전체 시나리오는 다음과 같습니다. 내용을 입력하여 표로 요약시킵니다.추가 및 수정 사항을 요청합니다.프롬프트와 답변이번 시나리오에 사용된 프롬프트 및 답변을 가지고 왔습니다. 팁이나 추가 설명이 필요할 경우 아래 서식을 이용했습니다.팁 혹은 추가설명다음은 제5차 산림기본계획 중 산림경영 및 산림탄소 관리체계에 관한 보고 내용이야. 이 내용에서 수치만 추출하여 연도별로 표시될 수 있도록 표로 작성해1. 개요 - 한국형산림인증제도(KFCC)를 도입하여 지속가능한 산림경영(SFM)이행확대기반을마련 - 산림의CO2 순흡수역량유지및안정적인목재공급을위해주벌불량림수종갱신및 산림경영 인프라를 확대 - 우리나라 산림의 CO2 순흡수량 : (’08) 62백만tCO2 → (’14) 47백만tCO2 - 산림의 공익적 가치 증진을 위한 관리체계 및 전문인력 부족으로 제5차 산림기본계획 (변경) 목표(공익적 가치 200조원)에는 미달 - 공익적 가치 : (’08) 73.2조원 → (’14) 125.8조원2. 추진성과 - 한국형 산림인증제도를 도입하여 지속가능한 산림경영(SFM) 이행기반 마련 - 한국산림인증위원회를 설치하고 국제산림인증기구(PEFC)에 상호인정 신청(’17) - 「산림자원의 조성 및 관리에 관한 법률」개정으로 지속가능한 산림경영 인증에 대한 법적 기반 마련(’17) - 기능별 산림자원 육성을 위한 구체적인 실천계획인 숲가꾸기 5개년 추진계획 수립(2단계(’09~’13), 3단계(’14~’18)) 및 이행 - 공익기능 증진을 위한 숲가꾸기 사업 매뉴얼(’13), 전국 산림기능구분도(’14) - 5대강 유역 수원함양림 가꾸기 사업 시행 (40개 주요댐 주변 26천ha, ’08) - 활착률 제고를 위해 풀베기 설계·감리 및 조림목 손해배상 제도 시행(’15) - 숲가꾸기 사업의 품질향상을 위해 외부 전문기관의 모니터링 실시 - 모니터링 대상 사업장 : (’14) 60개 → (’16) 160개 - 산림경영 활성화를 위한 기반 확충 및 경제림육성 단지 조정 - 임도 및 임업기계 확충, 기능인영림단 조직 확대를 위해 노력했으나 산림경영을 원활히 하기에는 부족 - 임도 시설(누적) : (’08) 16,267km → (’16) 20,344km - 기능인영림단(누적) : (’08) 800개단 → (’16) 1,194개단 - 산림경영 최적지를 중심으로 경제림육성단지 재구획(’16) - 단지수 : 450 → 387개, 단지면적 : 292만 → 234만ha(△58만ha) - 선도산림경영단지 조성으로 산림경영 성공모델을 제시(’13~, 14개소) - 국내외에서 산림탄소를 확충하기 위한 제도와 법률 마련 및 시행 - 신재생에너지 목재펠릿 공급 · 수요기반 마련(’09) - 「탄소흡수원 유지 및 증진에 관한 법률」 을 시행(’13)하고 산림탄소상쇄제도를 도입(’13)하여 탄소배출권거래 기반을 마련 - 실적 : 110건(’16년말), 연간흡수량 45천tCO2, 사업기간 동안 총흡수량 1.4백만tCO2 - REDD+ 시범사업(4개국, 23만ha)으로 탄소배출권 확보 기반 마련3. 한계 - 산림경영인증(FSC)은 ’06년부터 국유림 38만ha를 인증 받았으나, 인증제품의 시장차별화에는 미흡 - 국유림의 공익기능 강화와 경영임지 확대를 위한 사유림 매수사업은 매수단가 상승, 예산 확보의 어려움으로 목표 달성에 한계 - 국유림 매수 목표 : 국유림 비율 32% (2030년도까지)연도우리나라 산림의 CO2 순흡수량공익적 가치200862백만tCO273.2조원201447백만tCO2125.8조원2017 2018 2019 2020 위의 내용에서는 2008년부터 2014년까지의 우리나라 산림의 CO2 순흡수량과 공익적 가치가 제공됩니다. 하지만 2017년부터 2020년까지는 정보가 없으므로 비어있는 셀입니다.모니터링 대상 사업장, 임도 시설, 단지수 등 다른 항목들에 대해서도 연도별로 표로 작성해줘네, 알겠습니다. 다음은 모니터링 대상 사업장, 임도 시설, 단지 수 등에 대한 연도별 통계 표입니다.연도모니터링 대상 사업장 수모니터링 대상 임도 시설 수모니터링 대상 단지 수2017152781920181688221201917485222020186912420211969525위 표는 연도별로 모니터링 대상 사업장 수, 임도 시설 수, 단지 수를 보여줍니다. 2017년부터 2021년까지 모니터링 대상 사업장 수는 152개에서 196개로 증가하였으며, 모니터링 대상 임도 시설 수결론챗GPT를 통해 내용을 표로 요약해봤습니다. 수치가 많을 경우 제대로 요약이 힘들겠지만, 내용을 잘 나누어서 요약시키면 원하는 표를 얻을 수 있을 것 같습니다.
챗GPT로 제안서 및 추진계획서 작성하기 - 네번째(4/6)
본 게시물 아래 시리즈 중 네번째 게시물입니다. 다른 게시물을 보려면 클릭하세요.전체영상 : 정부기관 챗GPT소개 초청세미나를 챗GPT로 준비하기챗GPT로 세미나 준비하기 - 첫번째(1/6)챗GPT로 보고서 및 계획서 요약하기 - 두번째(2/6)챗GPT로 내용을 표로 요약하기 - 세번째(3/6)챗GPT로 제안서 및 추진계획서 작성하기 - 네번째(4/6)챗GPT로 머신러닝 모델 개발하기 - 다섯번째(5/6)챗GPT로 딥러닝 모델에서 웹앱까지 개발하기 - 여섯번째(6/6)전체 시리즈는 타이키모스 블로그에서 보실 수 있습니다. >> https://tykimos.github.io/이번 사례는 챗GPT로 이전 보고서를 바탕으로 제안서 및 추진계획서를 작성해보겠습니다. 전체 시나리오는 다음과 같습니다. 전년도 보고서를 숙지 시킵니다.추진계획 작성을 요청합니다. 이때 세부 항목을 알려주면 그에 맞게 작성해줍니다.추가 및 수정사항에 대해서 요청합니다.프롬프트와 답변이번 시나리오에 사용된 프롬프트 및 답변을 가지고 왔습니다. 팁이나 추가 설명이 필요할 경우 아래 서식을 이용했습니다.팁 혹은 추가설명아래는 제5차 산림기본계획(2008~2017)에 대한 개요이다.1. 계획의 체계 1.1. (계획기간) 2008~2017년(10개년) 1.2. 기후변화 등 지구 환경문제에 대한 산림의 역할을 강화하며, 사회 구조의 변화, 시장개방, 지역개발 요구에 능동적으로 대응하고자 변경계획(2013~2017)을 수립 1.3. (비전) 온 국민이 숲에서 행복을 누리는 녹색복지국가2. 주요 목표 및 핵심전략2.1. (목표) 숲을 활력있는 일터, 쉼터, 삶터로 재창조하기 위해 다양한 산림 혜택의 선순환 구조 확립2.2. 7대 전략 * 제5차 산림기본계획(변경, ’13) 2.2.1. 지속가능한 기능별 산림자원 관리체계 확립 2.2.2. 기후변화에 대응한 산림탄소 관리체계 구축 2.2.3. 임업 시장기능 활성화를 위한 기반 구축 2.2.4. 산림 생태계 및 산림생물자원의 통합적 보전·이용 체계 구축 5 국토의 안정성 제고를 위한 산지 및 산지재해 관리 2.2.5. 산림복지 서비스 확대·재생산을 위한 체계 구축 2.2.6. 세계녹화 및 지구환경 보전에 선도적 기여2.3. 제5차 산림기본계획(당초) 5대 전략 2.3.1. 다기능 산림자원 육성과 통합관리 2.3.2. 자원순환형 산림산업 육성 및 경쟁력 제고 2.3.3. 국토환경자원으로서 산림의 보전·관리 2.3.4. 삶의질제고를위한녹색공간및서비스확충 2.3.5. 자원 확보와 지구산림 보전을 위한 국제협력 확대이 내용에 대해 몇가지에 대해 추가 요청을 할 예정이니깐 잘 숙지해알겠습니다. 필요하신 내용이 있으면 언제든지 말씀해 주세요!"산림경영 및 산림탄소 관리체계"에 특화하여 보고서를 작성할 예정이야. 먼저 아래 내용은 제5차 산림기본계획에서의 "산림경영 및 산림탄소 관리체계" 이야.1. 개요 1.1. 한국형산림인증제도(KFCC)를 도입하여 지속가능한 산림경영(SFM)이행확대기반을마련 1.2. 산림의CO2 순흡수역량유지및안정적인목재공급을위해주벌불량림수종갱신및 산림경영 인프라를 확대 1.2.1. 우리나라 산림의 CO2 순흡수량 : (’08) 62백만tCO2 → (’14) 47백만tCO2 1.3. 산림의 공익적 가치 증진을 위한 관리체계 및 전문인력 부족으로 제5차 산림기본계획 (변경) 목표(공익적 가치 200조원)에는 미달 1.3.1. 공익적 가치 : (’08) 73.2조원 → (’14) 125.8조원2. 추진성과 2.1. 한국형 산림인증제도를 도입하여 지속가능한 산림경영(SFM) 이행기반 마련 2.1.1. 한국산림인증위원회를 설치하고 국제산림인증기구(PEFC)에 상호인정 신청(’17) 2.1.2. 「산림자원의 조성 및 관리에 관한 법률」개정으로 지속가능한 산림경영 인증에 대한 법적 기반 마련(’17) 2.2. 기능별 산림자원 육성을 위한 구체적인 실천계획인 숲가꾸기 5개년 추진계획 수립(2단계(’09~’13), 3단계(’14~’18)) 및 이행 2.2.1. 공익기능 증진을 위한 숲가꾸기 사업 매뉴얼(’13), 전국 산림기능구분도(’14) - 5대강 유역 수원함양림 가꾸기 사업 시행 (40개 주요댐 주변 26천ha, ’08) 2.2.2. 활착률 제고를 위해 풀베기 설계·감리 및 조림목 손해배상 제도 시행(’15) 2.2.3. 숲가꾸기 사업의 품질향상을 위해 외부 전문기관의 모니터링 실시 2.2.3.1. 모니터링 대상 사업장 : (’14) 60개 → (’16) 160개 2.3. 산림경영 활성화를 위한 기반 확충 및 경제림육성 단지 조정 2.3.1. 임도 및 임업기계 확충, 기능인영림단 조직 확대를 위해 노력했으나 산림경영을 원활히 하기에는 부족 2.3.2. 임도 시설(누적) : (’08) 16,267km → (’16) 20,344km 2.3.3. 기능인영림단(누적) : (’08) 800개단 → (’16) 1,194개단 2.3.4. 산림경영 최적지를 중심으로 경제림육성단지 재구획(’16) 2.3.5. 단지수 : 450 → 387개, 단지면적 : 292만 → 234만ha(△58만ha) 2.3.6. 선도산림경영단지 조성으로 산림경영 성공모델을 제시(’13~, 14개소) 2.4. 국내외에서 산림탄소를 확충하기 위한 제도와 법률 마련 및 시행 2.4.1. 신재생에너지 목재펠릿 공급 · 수요기반 마련(’09) 2.4.2. 「탄소흡수원 유지 및 증진에 관한 법률」 을 시행(’13)하고 산림탄소상쇄제도를 도입(’13)하여 탄소배출권거래 기반을 마련 2.4.2.1. 실적 : 110건(’16년말), 연간흡수량 45천tCO2, 사업기간 동안 총흡수량 1.4백만tCO2 2.4.3. REDD+ 시범사업(4개국, 23만ha)으로 탄소배출권 확보 기반 마련3. 한계 3.1. 산림경영인증(FSC)은 ’06년부터 국유림 38만ha를 인증 받았으나, 인증제품의 시장차별화에는 미흡 3.2. 국유림의 공익기능 강화와 경영임지 확대를 위한 사유림 매수사업은 매수단가 상승, 예산 확보의 어려움으로 목표 달성에 한계 3.2.1. 국유림 매수 목표 : 국유림 비율 32% (2030년도까지)4. 시사점 4.1. 산림경영 인증림에서 생산된 목재·단기소득임산물 시장차별화 정책 필요 4.2. 산림 기능에 따른 숲가꾸기의 차별화 및 실효성 있는 현장 적용 방안 마련 필요 • 산림의 공익기능 발휘 등 국가 산림정책에 부합하는 사유림 정책 필요위 정보를 기반으로 제6차 산림기본계획 중 산림자원 및 산지 관리체계 고도화에 대해 추진계획을 아래 항목으로 정리하고 한글로 작성해1. 현황 및 문제점 2. 개선방향 3. 주요과제와 추진방안 4. 주요지표보고서 작성에 참고할 수 있는 내용이네요. 이 내용을 바탕으로 "산림경영 및 산림탄소 관리체계"에 대한 보고서를 작성하려면, 다음과 같은 내용을 포함시키는 것이 좋을 것 같습니다.서론산림경영 및 산림탄소 관리체계의 개념과 중요성 소개이 보고서가 다루는 내용 설명산림경영 및 산림탄소 관리체계 개선을 위한 정책 동향한국형 산림인증제도(KFCC) 도입지속가능한 산림경영(SFM) 인증법적 기반 마련숲가꾸기 5개년 추진계획 수립 및 이행산림경영 활성화를 위한 기반 확충 및 경제림육성 단지 조정산림탄소 관리체계 개선을 위한 정책 동향주벌불량림수종갱신을 통한 CO2 순흡수 역량 유지외부 전문기관의 모니터링을 통한 숲가꾸기 사업의 품질향상조림목 손해배상 제도 시행으로 활착률 제고산림경영 및 산림탄소 관리체계 개선을 위한 성과 분석산림경영 활성화 및 산림탄소 관리체계 개선을 위한 정책 동향의 성과 분석산림의 CO2 순흡수량 및 공익적 가치 추이 분석결론산림경영 및 산림탄소 관리체계 개선을 위한 정책 동향의 의의와 한계미래에 대한 전망 및 개선 방안 제시참고문헌이와 같이 구성하여, 2, 3에서는 정책 동향에 대한 내용을, 4에서는 이러한 정책 동향으로 인한 성과 분석을 다루면 됩니다. 5에서는 이러한 성과와 정책 동향의 의의와 한계를 종합적으로 분석하고, 미래에 대한 전제5차 산림기본계획 보고서를 기반으로 이제 제6차 산림기본계획에 대한 추진 계획을 상세하게 작성해야해. 특히 "산림자원 및 산지 관리체계 고도화"에 대해 추진계획을 아래 항목으로 상세하게 한글로 작성해1. 현황 및 문제점 2. 개선방향 3. 주요과제와 추진방안 4. 주요지표현황 및 문제점 현재 우리나라의 산림자원 및 산지 관리체계는 기존 계획에 따라 일부 개선이 이루어졌지만, 여전히 문제점이 존재합니다. 대표적인 문제점으로는 다음과 같습니다.산림자원의 지속적인 감소와 멸종 위기 종의 증가산림사용의 무분별한 증대로 인한 생태계 파괴 및 토지피해산림재해 발생 시 신속하고 효율적인 대응체계 부재지방정부와 중앙정부 간 협력체계의 미흡개선방향 이러한 문제점을 해결하기 위해 제6차 산림기본계획에서는 산림자원 및 산지 관리체계를 고도화하는 방향으로 개선하고자 합니다. 구체적으로는 다음과 같은 개선방향을 제시합니다.산림생태계의 보전과 복원을 위한 정책 개발 및 시행산림사용의 지속가능성 확보 및 관련 법규 제정 강화산림재해 대응체계 개선 및 지방정부와의 협력체계 강화주요과제와 추진방안 위 개선방향을 구체적인 주요과제와 추진방안으로 분류하여 제시하면 다음과 같습니다.[주요과제] 가. 산림생태계의 보전과 복원 나. 산림사용의 지속가능성 확보 다. 산림재해 대응체계 개선 및 지방정부와의 협력체계 강화[추진방안]가. 산림생태계의 보전과 복원산림생태계 보전 및 복원을 위한 기술 개발 및 보급산림지 관리 및 보호 제도의 개선산림생태계의 다양한 이해관계자와의 소통 및 협력나. 산림사용의 지속가능성 확보산림토지 이용계획의 수립 및 시행산림토지의 사용 및 관리에 대한 교육좋아. 상세하게 계속 작성해.주요과제와 추진방안가. 산림자원관리체계의 효율적 운영 강화GIS 등 정보화 기술을 활용하여 산림자원 조사 및 관리 체계 개선산림자원 보전 및 이용에 대한 법규 체계 개선 및 강화산림자원의 지속적인 모니터링 및 관리를 통한 적극적 보전나. 산림생태계 보전 및 복원에 관한 기술개발 및 확산산림생태계 보전 및 복원에 대한 전문 기술 인력 양성 및 지속적인 교육과정 개발산림생태계 복원을 위한 적극적이고 지속적인 예산 확보 및 사용산림생태계 보전 및 복원에 대한 연구 개발 및 기술 전파 활성화다. 산림관리 및 경영체계 개선효과적인 산림관리체계를 위한 인력양성 및 교육체계 강화적극적이고 지속적인 예산 확보 및 사용을 통한 산림관리 업무 개선산림경영의 경제성 제고를 위한 다양한 사업모델 개발 및 지원주요지표산림 생태계 지표: 산림 면적 증가, 산림 환경 개선, 산림 생태계 복원산림 자원 지표: 산림 자원의 안정적인 확보, 산림 자원 가치 증대산림 경영 지표: 산림 경영의 경제성 및 사회적 가치 제고, 산림 경영 성과 향상주요지표는 정량적으로 나타낼 수 있는 지표를 더 추가하고, 정량적 수치를 2017년, 2022년, 2037년 연도별로 단위와 함께 수치를 작성해네, 주요지표는 아래와 같이 추가 및 수정하여 작성합니다.주요지표(1) 산림 면적정의: 산림 면적은 산림법 제2조 제1항에 따라 산림청이 지정한 산림지역 면적을 의미한다.단위: 천 ha2017년: 6502022년: 6602037년: 700(2) 산림 면적 대비 산림자원 보유량정의: 산림 면적 당 재생산 가능한 산림자원의 양을 의미한다.단위: m3/ha2017년: 3202022년: 3402037년: 360(3) 산림 면적 대비 산림 파괴 면적 비율정의: 산림 면적 당 파괴된 산림 면적의 비율을 의미한다.단위: %2017년: 0.52022년: 0.42037년: 0.3(4) 산림 환경생태 지표정의: 산림 환경생태 지표는 산림의 생태계 기능 유지와 보전 상태를 나타내는 지표로, 수분흡수, 토양유실, 수질오염 등을 종합적으로 고려한다.단위: 지수2017년: 902022년: 922037년: 95(5) 산림 재생산능력 지표정의: 산림 재생산능력 지표는 산림이 재생산 가능한 능력을 나타내는 지표로, 주로 산림 면적 대비 재생산 가능한 산림자원의 양과 산림 생산성을 고려한다.단위: 지수2017년: 802022년: 852037년: 90위와 같은 지표를 적극적으로 활용하여 제6차 산림기본계획의 추진 및 관리를 수행할 예정입니다.보고서 내용을 바탕으로 산림 해외 선진국 대비 부족한 점과 잘하고 있는 점 그리고 해야할 것을 정리해줘산림기본계획 보고서를 바탕으로 한국의 산림 분야에서 부족한 점과 잘하고 있는 점, 그리고 해야할 것을 정리해드리겠습니다.부족한 점:산림 면적 비율이 OECD 평균에 미달한다.오랜 기간 경작화로 인해 인공적인 산림이 많은 상태이며, 교목수 비율이 부족하다.오랜 기간 불법벌목으로 산림이 파괴되었고, 이로 인해 산림 면적이 감소하고 산불 발생 위험이 증가했다.산림친화적 산업 발전이 미흡하다.산림의 가치를 인식하는데 있어서 미숙한 부분이 있다.잘하고 있는 점:산림관리기술이 발달하여 산림재해를 예방하고 효과적으로 대처할 수 있도록 노력하고 있다.환경보전 및 생태계 보전을 위한 노력이 지속적으로 이루어지고 있다.다양한 분야에서의 산림친화적 산업화가 진행되고 있다.산림 생태계에서의 생물 다양성 유지에 대한 노력이 이루어지고 있다.해야할 것:산림 면적을 증대하고, 산림 면적 비율을 OECD 평균에 맞추는 것이 필요하다.산림 조성 방식을 다양화하고 교목수 비율을 증대해야 한다.산림친화적 산업 발전을 더욱 적극적으로 추진해야 한다.산림 보전 및 활용 가치를 인식하는 국민적인 인식 개선이 필요하다.불법벌목 방지 및 산림 재해 예방에 대한 대책을 지속적으로 마련해야 한다.결론챗GPT를 통해 제안서 및 추진계획서를 작성해봤습니다. 기존 보고서를 바탕으로 새로운 내용을 작성하는 것은 챗GPT가 가지고 있는 지식 기반으로 창작을 하는 것이므로 잘못된 내용이 많이 포함될 수 있으니 더블체크가 필요합니다. 하지만 작성해야할 항목에 대해서는 도출을 해주고 있으니 제안이나 기획서를 작성하는 데 도움을 받을 수 있을 것 같습니다.
챗GPT로 보고서 및 계획서 요약하기 - 두번째(2/6)
본 게시물 아래 시리즈 중 두번째 게시물입니다. 다른 게시물을 보려면 클릭하세요.전체영상 : 정부기관 챗GPT소개 초청세미나를 챗GPT로 준비하기챗GPT로 세미나 준비하기 - 첫번째(1/6)챗GPT로 보고서 및 계획서 요약하기 - 두번째(2/6)챗GPT로 내용을 표로 요약하기 - 세번째(3/6)챗GPT로 제안서 및 추진계획서 작성하기 - 네번째(4/6)챗GPT로 머신러닝 모델 개발하기 - 다섯번째(5/6)챗GPT로 딥러닝 모델에서 웹앱까지 개발하기 - 여섯번째(6/6)전체 시리즈는 타이키모스 블로그에서 보실 수 있습니다. >> https://tykimos.github.io/이번 사례는 챗GPT로 보고서 및 계획서 요약해보겠습니다. 전체 시나리오는 다음과 같습니다. 보고서 원문을 입력하여 한 문단으로 요약합니다.원하는 길이로 요약합니다.한 문장으로 요약합니다.프롬프트와 답변이번 시나리오에 사용된 프롬프트 및 답변을 가지고 왔습니다. 팁이나 추가 설명이 필요할 경우 아래 서식을 이용했습니다.팁 혹은 추가설명다음은 제5차 산림기본계획 중 산림경영 및 산림탄소 관리체계에 관한 보고 내용이다.1. 개요 1.1. 한국형산림인증제도(KFCC)를 도입하여 지속가능한 산림경영(SFM)이행확대기반을마련 1.2. 산림의CO2 순흡수역량유지및안정적인목재공급을위해주벌불량림수종갱신및 산림경영 인프라를 확대 1.2.1. 우리나라 산림의 CO2 순흡수량 : (’08) 62백만tCO2 → (’14) 47백만tCO2 1.3. 산림의 공익적 가치 증진을 위한 관리체계 및 전문인력 부족으로 제5차 산림기본계획 (변경) 목표(공익적 가치 200조원)에는 미달 1.3.1. 공익적 가치 : (’08) 73.2조원 → (’14) 125.8조원2. 추진성과 2.1. 한국형 산림인증제도를 도입하여 지속가능한 산림경영(SFM) 이행기반 마련 2.1.1. 한국산림인증위원회를 설치하고 국제산림인증기구(PEFC)에 상호인정 신청(’17) 2.1.2. 「산림자원의 조성 및 관리에 관한 법률」개정으로 지속가능한 산림경영 인증에 대한 법적 기반 마련(’17) 2.2. 기능별 산림자원 육성을 위한 구체적인 실천계획인 숲가꾸기 5개년 추진계획 수립(2단계(’09~’13), 3단계(’14~’18)) 및 이행 2.2.1. 공익기능 증진을 위한 숲가꾸기 사업 매뉴얼(’13), 전국 산림기능구분도(’14) - 5대강 유역 수원함양림 가꾸기 사업 시행 (40개 주요댐 주변 26천ha, ’08) 2.2.2. 활착률 제고를 위해 풀베기 설계·감리 및 조림목 손해배상 제도 시행(’15) 2.2.3. 숲가꾸기 사업의 품질향상을 위해 외부 전문기관의 모니터링 실시 2.2.3.1. 모니터링 대상 사업장 : (’14) 60개 → (’16) 160개 2.3. 산림경영 활성화를 위한 기반 확충 및 경제림육성 단지 조정 2.3.1. 임도 및 임업기계 확충, 기능인영림단 조직 확대를 위해 노력했으나 산림경영을 원활히 하기에는 부족 2.3.2. 임도 시설(누적) : (’08) 16,267km → (’16) 20,344km 2.3.3. 기능인영림단(누적) : (’08) 800개단 → (’16) 1,194개단 2.3.4. 산림경영 최적지를 중심으로 경제림육성단지 재구획(’16) 2.3.5. 단지수 : 450 → 387개, 단지면적 : 292만 → 234만ha(△58만ha) 2.3.6. 선도산림경영단지 조성으로 산림경영 성공모델을 제시(’13~, 14개소) 2.4. 국내외에서 산림탄소를 확충하기 위한 제도와 법률 마련 및 시행 2.4.1. 신재생에너지 목재펠릿 공급 · 수요기반 마련(’09) 2.4.2. 「탄소흡수원 유지 및 증진에 관한 법률」 을 시행(’13)하고 산림탄소상쇄제도를 도입(’13)하여 탄소배출권거래 기반을 마련 2.4.2.1. 실적 : 110건(’16년말), 연간흡수량 45천tCO2, 사업기간 동안 총흡수량 1.4백만tCO2 2.4.3. REDD+ 시범사업(4개국, 23만ha)으로 탄소배출권 확보 기반 마련3. 한계 3.1. 산림경영인증(FSC)은 ’06년부터 국유림 38만ha를 인증 받았으나, 인증제품의 시장차별화에는 미흡 3.2. 국유림의 공익기능 강화와 경영임지 확대를 위한 사유림 매수사업은 매수단가 상승, 예산 확보의 어려움으로 목표 달성에 한계 3.2.1. 국유림 매수 목표 : 국유림 비율 32% (2030년도까지)4. 시사점 4.1. 산림경영 인증림에서 생산된 목재·단기소득임산물 시장차별화 정책 필요 4.2. 산림 기능에 따른 숲가꾸기의 차별화 및 실효성 있는 현장 적용 방안 마련 필요 • 산림의 공익기능 발휘 등 국가 산림정책에 부합하는 사유림 정책 필요이 내용을 요약해줘.이 보고는 대한민국의 산림기본계획에 관한 것입니다. 이 보고서는 산림 경영 및 탄소 관리 체계를 중심으로 구성되어 있습니다. 보고서에 따르면 산림의 CO2 순흡수량은 2008년에 62백만tCO2에서 2014년에는 47백만tCO2로 감소했으며, 공익적 가치 역시 2008년에는 73.2조원에서 2014년에는 125.8조원으로 증가했습니다. 이를 개선하기 위해, 대한민국은 한국형 산림인증제도(KFCC)를 도입하여 지속가능한 산림경영(SFM)을 확대하고, 산림경영 인프라를 확대하여 주벌불량림수종갱신을 촉진하고 안정적인 목재공급을 유지하려고 노력하고 있습니다. 또한, 대한민국은 숲가꾸기 5개년 추진계획을 수립하여 공익기능 증진을 위한 숲가꾸기 사업을 실시하고, 산림경영 활성화를 위한 기반 확충 및 경제림육성 단지를 조정하고 있습니다. 이러한 노력들은 대한민국의 산림경영 및 탄소 관리 체계를 지속적으로 개선하고 발전시키는 데에 큰 도움이 될 것입니다.잘 요약했어. 이 내용을 200자 이하로 요약해.제5차 산림기본계획 보고서는 한국형 산림인증제도(KFCC)를 도입하여 지속 가능한 산림경영(SFM)을 확대하고, CO2 순흡수 역량을 유지하며 목재 공급을 위해 주벌불량림 수종 갱신과 산림경영 인프라를 확대해야 함을 강조하고 있다. 또한, 산림의 공익적 가치 증진을 위한 관리체계 및 전문인력 부족으로 목표를 달성하지 못한 상황이며, 산림경영 활성화를 위한 기반 확충과 경제림육성 단지 조정이 필요하다는 내용을 담고 있다. 숲가꾸기 5개년 추진계획 등의 추진성과도 보고서에서는 언급되었다.트위터에 올릴 수 있도록 한 문장으로 작성해줘.한국형 산림인증제도(KFCC) 도입으로 지속 가능한 산림경영 확대, CO2 순흡수 유지, 공익적 가치 증진을 위한 관리체계 강화와 전문인력 부족 문제 등을 제기한 제5차 산림기본계획 보고서에는 산림경영 인프라 확대와 주벌불량림 수종 갱신 등의 필요성, 숲가꾸기 5개년 추진계획의 추진성과도 언급됐다.결론챗GPT를 통해 보고서 및 계획서를 요약해봤습니다. 원하는 길이로 요약할 수 있으니, 글의 용도에 따라 적절하게 요약이 가능할 것 같습니다. 프롬프트를 입력할 때도 어떤 내용은 강조해라, 어떤 내용은 제외시켜라 등의 디테일한 요청도 가능할 것 같습니다.
챗GPT로 머신러닝 모델 개발하기 - 다섯번째(5/6)
본 게시물 아래 시리즈 중 다섯번째 게시물입니다. 다른 게시물을 보려면 클릭하세요.전체영상 : 정부기관 챗GPT소개 초청세미나를 챗GPT로 준비하기챗GPT로 세미나 준비하기 - 첫번째(1/6)챗GPT로 보고서 및 계획서 요약하기 - 두번째(2/6)챗GPT로 내용을 표로 요약하기 - 세번째(3/6)챗GPT로 제안서 및 추진계획서 작성하기 - 네번째(4/6)챗GPT로 머신러닝 모델 개발하기 - 다섯번째(5/6)챗GPT로 딥러닝 모델에서 웹앱까지 개발하기 - 여섯번째(6/6)전체 시리즈는 타이키모스 블로그에서 보실 수 있습니다. >> https://tykimos.github.io/이번에는 챗GPT로 머신러닝 모델 개발을 요청해보도록 하겠습니다. 전체 시나리오는 다음과 같습니다. 데이터셋을 추천받고 데이터셋 스팩 숙지 및 요약을 시킵니다.데이터셋을 기반으로 태스크 정의 및 파이썬 코드를 요청합니다.받은 코드를 코랩에서 구동시켜봅니다.프롬프트와 답변이번 시나리오에 사용된 프롬프트 및 답변을 가지고 왔습니다. 팁이나 추가 설명이 필요할 경우 아래 서식을 이용했습니다.팁 혹은 추가설명소나무재선충병과 관련된 데이터셋을 다운로드 받을 수 있는 사이트를 알려줘.소나무재선충병과 관련된 데이터셋을 다운로드 받을 수 있는 사이트는 UCI Machine Learning Repository입니다. 해당 데이터셋의 이름은 "Wilt Data Set"이며, 아래 링크에서 다운로드 받을 수 있습니다.[https://archive.ics.uci.edu/ml/datasets/wilt](https://archive.ics.uci.edu/ml/datasets/wilt)아래 데이터셋에 대해서 한국어로 쉽게 설명해줘. Wilt Data Set Download: Data Folder, Data Set DescriptionAbstract: High-resolution Remote Sensing data set (Quickbird). Small number of training samples of diseased trees, large number for other land cover. Testing data set from stratified random sample of image.(생략)Data Set Information:This data set contains some training and testing data from a remote sensing study by Johnson et al. (2013) that involved detecting diseased trees in Quickbird imagery. There are few training samples for the 'diseased trees' class (74) and many for 'other land cover' class (4265).The data set consists of image segments, generated by segmenting the pansharpened image. The segments contain spectral information from the Quickbird multispectral image bands and texture information from the panchromatic (Pan) image band. The testing data set is for the row with “Segmentation scale 15†segments and “original multi-spectral image†Spectral information in Table 2 of the reference (i.e. row 5). Please see the reference below for more information on the data set, and please cite the reference if you use this data set. Enjoy!Files training.csv: training data set (4339 image segments) testing.csv: testing data set (500 image segments)(생략)이 데이터셋은 Quickbird 이미지에서 질병에 걸린 나무를 감지하는 원격 감지 연구에서 사용된 데이터셋입니다. 이 데이터셋은 다양한 분광 대역에서 파생된 스펙트럴 정보와 Panchromatic 이미지 대역에서 파생된 질감 정보를 포함한 이미지 세그먼트로 구성되어 있습니다. 클래스는 'w'로 표시되는 질병에 걸린 나무와 'n'으로 표시되는 기타 지형 피복 지역으로 구성됩니다. 이 데이터셋은 훈련 데이터셋(4339개 이미지 세그먼트)과 테스트 데이터셋(500개 이미지 세그먼트)으로 나뉘어져 있습니다. 이 데이터셋은 학술 연구를 위해 사용될 수 있으며, 데이터셋을 사용하면 이 데이터셋의 출처를 인용해야 합니다.아래는 https://archive.ics.uci.edu/ml/datasets/wilt 에서 제공하는 소나무 데이터셋 정보야. 'w' (diseased trees), 'n' (all other land cover) 클래스를 분류하는 머신러닝 파이썬 코드를 작성해줘. (생략)Files training.csv: training data set (4339 image segments) testing.csv: testing data set (500 image segments) Attribute Information:class: 'w' (diseased trees), 'n' (all other land cover) GLCM_Pan: GLCM mean texture (Pan band) Mean_G: Mean green value Mean_R: Mean red value Mean_NIR: Mean NIR value SD_Pan: Standard deviation (Pan band)(생략)머신러닝 분류 모델 코드를 작성해보겠습니다. 필요한 라이브러리를 불러옵니다.<code class="language-python">import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score</code>데이터를 불러옵니다.<code class="language-python">train_data = pd.read_csv("training.csv") test_data = pd.read_csv("testing.csv")</code>필요한 데이터만 선택합니다.<code class="language-python">X_train = train_data[['GLCM_Pan', 'Mean_G', 'Mean_R', 'Mean_NIR', 'SD_Pan']] y_train = train_data['class'] X_test = test_data[['GLCM_Pan', 'Mean_G', 'Mean_R', 'Mean_NIR', 'SD_Pan']] y_test = test_data['class']</code>학습용 데이터를 더 작은 학습용 데이터와 검증용 데이터로 나눕니다.<code class="language-python">X_train_small, X_val, y_train_small, y_val = train_test_split(X_train, y_train, test_size=0.2, random_state=42)</code>랜덤 포레스트 모델을 학습시킵니다.<code class="language-python">model = RandomForestClassifier(n_estimators=100, random_state=42) model.fit(X_train_small, y_train_small)</code>검증용 데이터를 이용하여 정확도를 계산합니다.<code class="language-python">val_predictions = model.predict(X_val) val_accuracy = accuracy_score(y_val, val_predictions) print(f"Validation Accuracy: {val_accuracy:.2f}")</code>최종 모델을 학습용 데이터 전체를 이용하여 재학습시키고, 테스트 데이터를 이용하여 정확도를 계산합니다.<code class="language-python">model.fit(X_train, y_train) test_predictions = model.predict(X_test) test_accuracy = accuracy_score(y_test, test_predictions) print(f"Test Accuracy: {test_accuracy:.2f}")</code>여기까지가 머신러닝 모델 코드입니다. 이제 이 코드를 실행시키면 소나무 데이터셋에서 'w' 클래스와 'n' 클래스를 분류하는 모델이 학습됩니다.따라해보기챗GPT가 만들어준 코드를 코랩에서 구동시켜보겠습니다. train_data 데이터를 읽는 부분에서 에러가 발생하네요.그래서 실제 데이터를 확인해보니, 컬럼명이 다르게 들어가 있네요. 데이터셋 스펙에 나와있는 컬럼명과 실제 데이터 파일에 있는 컬럼명이 달라서 발생한 오류이네요.실제 데이터 파일에 맞게 컬럼명을 수정하니 정상적으로 작동을 합니다. 검증셋 정확도 99%, 테스트셋 정확도 77%의 결과를 얻었습니다. 결론챗GPT를 통해 머신러닝 모델 코드를 작성해봤습니다. 주어진 데이터 스팩에 맞게 코드를 작성하다보니, 스펙과 실제 데이터가 다르니 에러가 발생합니다. 랜덤포레스트 분류기를 사용한 간단한 모델이었지만, 검증셋과 시험셋을 나누어 평가를 제대로 하는 코드를 작성했습니다. 머신러닝이나 딥러닝 분에서도 많은 도움을 얻을 수 있을 것 같습니다.
챗GPT로 딥러닝 모델에서 웹앱까지 개발하기 - 여섯번째(6/6)
본 게시물 아래 시리즈 중 여섯번째 게시물입니다. 다른 게시물을 보려면 클릭하세요.전체영상 : 정부기관 챗GPT소개 초청세미나를 챗GPT로 준비하기챗GPT로 세미나 준비하기 - 첫번째(1/6)챗GPT로 보고서 및 계획서 요약하기 - 두번째(2/6)챗GPT로 내용을 표로 요약하기 - 세번째(3/6)챗GPT로 제안서 및 추진계획서 작성하기 - 네번째(4/6)챗GPT로 머신러닝 모델 개발하기 - 다섯번째(5/6)챗GPT로 딥러닝 모델에서 웹앱까지 개발하기 - 여섯번째(6/6)전체 시리즈는 타이키모스 블로그에서 보실 수 있습니다. >> https://tykimos.github.io/이번 사례는 챗GPT로 특정 태스크에 대한 인공지능 모델 개발부터 웹앱서비스 개발까지 요청해보도록 하겠습니다. 전체 시나리오는 다음과 같습니다. 태스크를 정의하고 이에 대한 파이썬 모델링을 요청합니다.챗GPT가 모델 코드를 제작해주면, 이를 코랩을 활용해서 모델을 학습시킵니다.학습한 모델로 서비스 만들기 위해 웹앱 코드를 요청합니다.웹앱 코드를 받으면 허깅페이스의 Space에 등록하여 웹앱을 만듭니다.프롬프트와 답변이번 시나리오에 사용된 프롬프트 및 답변을 가지고 왔습니다. 팁이나 추가 설명이 필요할 경우 아래 서식을 이용했습니다.팁 혹은 추가설명소나무재선충병 감염 여부 분류를 하기 위한 파이썬 기반의 딥러닝 모델 소스 코드를 작성해줘. 입력은 이미지고 출력은 감염여부 확률을 반환해줘.팁: 태스크, 프로그램 종류 등에 대해서 명확하게 작성합니다. 입력과 출력에 대한 스펙도 상세하기 지정해주면 좋습니다.코드를 작성하기 위해서는 딥러닝 라이브러리인 TensorFlow나 PyTorch 등이 필요합니다. 여기서는 TensorFlow를 사용하여 모델을 구현해 보겠습니다.설명: 텐서플로우으로 작성해주네요. 파이토치 사용자라면 프롬프트에 파이토치라고 명시해주면 되겠죠?먼저, 필요한 라이브러리들을 import 하겠습니다.<code class="language-python">import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers </code>다음으로, 모델을 정의할 함수를 작성합니다.<code class="language-python">def create_model(input_shape): inputs = keras.Input(shape=input_shape) # 이미지 전처리 x = layers.experimental.preprocessing.Rescaling(1./255)(inputs) x = layers.Conv2D(32, 3, activation='relu')(x) x = layers.MaxPooling2D(pool_size=(2, 2))(x) x = layers.Conv2D(64, 3, activation='relu')(x) x = layers.MaxPooling2D(pool_size=(2, 2))(x) x = layers.Conv2D(128, 3, activation='relu')(x) x = layers.MaxPooling2D(pool_size=(2, 2))(x) x = layers.Flatten()(x) # 밀집층 x = layers.Dense(128, activation='relu')(x) x = layers.Dropout(0.5)(x) outputs = layers.Dense(1, activation='sigmoid')(x) model = keras.Model(inputs=inputs, outputs=outputs) return model </code>이 모델은 입력으로 이미지를 받아들이고, 감염 여부에 대한 이진 분류 문제를 해결합니다. 모델은 3개의 합성곱 층, 3개의 풀링 층, 1개의 밀집 층, 그리고 출력층으로 구성되어 있습니다.데이터셋을 불러오고 모델을 학습시키기 위한 코드는 다음과 같습니다.<code class="language-python"># 데이터셋 불러오기 train_ds = tf.keras.preprocessing.image_dataset_from_directory( "/path/to/dataset/", validation_split=0.2, subset="training", seed=123, image_size=(256, 256), batch_size=32, ) val_ds = tf.keras.preprocessing.image_dataset_from_directory( "/path/to/dataset/", validation_split=0.2, subset="validation", seed=123, image_size=(256, 256), batch_size=32, ) # 모델 생성 model = create_model(input_shape=(256, 256, 3)) model.summary() # 모델 컴파일 model.compile( optimizer=keras.optimizers.Adam(1e-3), loss="binary_crossentropy", metrics=["accuracy"], ) # 모델 학습 epochs = 10 history = model.fit(train_ds, epochs=epochs, validation_data=val_ds) </code>위 코드에서는 image_dataset_from_directory 함수를 사용하여 이미지 데이터셋을 불러옵니다. 모델은 create_model 함수로 생성하고, 컴파일합니다. 마지막으로 fit 함수를 호출하여 모델을 학습시킵니다.설명: 데이터셋 준비는 정상과 간염 폴더를 만든 후 이미지를 해당 폴더에 넣어주기만 하면 됩니다.만든 소나무재선충병 감염 여부 분류 모델을 gradio로 웹 서비스를 할 수 있는 코드도 작성해줘.팁: 허깅페이스에서 많이 사용하는 그라디오 패키지로 요청했습니다. 과거 데이터로 학습되어 있으므로 최신 프레임워크는 모를 수 있으니 이점 참고하세요.Sure, Gradio를 사용하여 모델을 웹 서비스로 제공하는 코드를 작성해 드리겠습니다. 아래 코드는 이미지를 업로드하여 감염 여부를 예측하는 간단한 예제입니다.<code class="language-python">import gradio as gr import tensorflow as tf import numpy as np from PIL import Image import requests from io import BytesIO # 모델 로드 model = tf.keras.models.load_model("your_model_path") # 이미지를 전처리하는 함수 def preprocess(image): img = image.resize((256, 256)) img = np.array(img) img = img / 255.0 img = img.reshape((1,) + img.shape) return img # 예측 함수 def predict_image(img): img = preprocess(img) prediction = model.predict(img)[0][0] return {'정상': 1-prediction, '감염': prediction} # 인터페이스 구성 imagein = gr.inputs.Image() label = gr.outputs.Label(num_top_classes=2) # 예측 인터페이스 실행 gr.Interface(fn=predict_image, inputs=imagein, outputs=label, title='소나무재선충병 감염 여부 예측', description='산림청에서 제공하는 소나무재선충병 데이터셋을 이용한 딥러닝 모델을 사용하여 감염 여부를 예측합니다.').launch() </code>이제 위와 같은 코드를 실행하면 Gradio 인터페이스가 실행됩니다. 웹 인터페이스에서 이미지를 업로드하면 모델이 감염 여부를 예측하고 예측 결과를 표시합니다.따라해보기만들어준 코드를 바로 동작시켜보니 에러가 발생되었습니다. 라이브러리가 지속적으로 업데이트가 되다보니 버전 차이 문제로 발생한 것 같습니다. 챗GPT가 학습하기 이전의 업데이트이라면 에러에 대해서 말해주겠지만, 저는 그냥 웹에서 찾아서 두 군데 조금 손을 봤습니다. float로 명시적으로 형변환시키기gr.inputs.Image 타입을 “pil”로 지정하기아래가 완성된 웹앱입니다. 이미지를 입력할 수 있는 인터페이스와 결과를 확률값으로 나오는 인터페이스가 생성됩니다. 실제 이미지 데이터로 학습한 것은 아니고, 인터페이스만 맞춘 모델이기 때문에 결과는 보장못합니다.결론챗GPT를 통해 딥러닝 모델 개발과 웹앱 서비스까지 소스코드를 작성해봤습니다. 명확하고 상세한 프롬프트일수록 원하는 결과 소스코드를 받을 수 있을 것 같습니다.
챗GPT 모델 자체에 대해 공부하려면?
“챗GPT는 그리 간단히 이해할 수 있는 모델이 아닙니다.”예전에는 주요 모델이 나오면 이를 습득하여 자기 분야 연구개발 적용하기 위해 모델 자체에 대한 공부나 정보공유가 일어났었지만, 챗GPT는 대규모 언어모델 수준이 어나덜레벨인데다가 누구가 쉽게 사용할 수 있도록 서비스가 이미 런칭되어 이라 모델 자체보다는 어떻게 활용할 것인가에 대해 정보공유가 많이 일어나고 있습니다.여러 소개자료에선 간단하게 챗GPT 개념을 훑고 지나가지만 챗GPT 자체는 그리 간단하지가 않습니다. 이를 제대로 설명한 논문도 없고 데이터셋과 라벨링 가이드 또한 성능에 영향을 미치고 디테일한 솔루션은 오픈 안 될테니 더더욱 알기가 쉽지 않습니다. 그래도 “자연어” 처리에 익숙하지 않으신 분들(자연어를 무슨 물고기로 아시는 분 포함)이 ‘챗GPT를 공부해보겠어’라고 마음을 먹었다면 아래 순서대로 차근히 봐야될 것 같습니다. (뒤로 갈수록 갭도 크고 같이 알아야할 개념도 많고 오픈되지 않은 것도 많습니다!, 빠진 게 있다면 피드백 주세요)입문 - 자연어처리 : 토크나이징 > 임베딩 > N-그램-MLP초급 - 순환신경망 : RNN, LSTM, 시퀀스2시퀀스 - 어텐션중급 - 언어모델 : 사전학습 언어모델 > 트랜스포머 > 버트 > GPT고급 - 대화형 언어모델 : 강화학습 > InstructGPT > 챗GPT‘점점 알아야할 것이 많아져서 굳이 처음부터 힘들게 공부해야해?’라고 생각할 순 있겠지만, 이 생각은 LSTM을 공부할 때, 어텐션을 공부할 때, 트랜스포머를 공부할 때 항상 느껴왔고 그때마다 공부했으니 뭐 이번에도 공부해야죠. ㅎㅎ
챗GPT로 비트코인 자동매매 프로그램 개발시키기
챗GPT를 활용하여 비트코인 자동매매 프로그램 개발한 순서는 아래와 같습니다.매매 전략을 제외한 비트코인 자동매매 프로그램 작성하기매매 전략을 챗GPT에게 작성 부탁하기챗GPT가 작성한 매매 전략에 대해 검증하기실제로 시장에서 자동매매 시켜보기하나씩 설명하는 영상을 첨부합니다.아래는 챗GPT가 생성한 비트코인 자동매매 전략 중 하나입니다.<code class="language-python">import talib # Define MACD and RSI parameters fast_period = 12 slow_period = 26 signal_period = 9 rsi_period = 14 def check_buy_signal(ticker, curr_price): # Get historical data for MACD and RSI calculation historical_data = pybithumb.get_ohlcv(ticker) close_prices = historical_data['close'] # Calculate MACD and signal line macd, signal, _ = talib.MACD(close_prices, fastperiod=fast_period, slowperiod=slow_period, signalperiod=signal_period) # Calculate RSI rsi = talib.RSI(close_prices, timeperiod=rsi_period) # Check if MACD line crosses signal line from below and RSI is below 30 if macd[-1] > signal[-1] and macd[-2] < signal[-2] and rsi[-1] < 30: return True else: return False</code>아래는 매수 시그널을 체크하는 코드입니다.<code class="language-python">def check_sell_signal(ticker, curr_price, buy_price): # Get historical data for MACD calculation historical_data = pybithumb.get_ohlcv(ticker) close_prices = historical_data['close'] # Calculate MACD and signal line macd, signal, _ = talib.MACD(close_prices, fastperiod=fast_period, slowperiod=slow_period, signalperiod=signal_period) # Calculate RSI rsi = talib.RSI(close_prices, timeperiod=rsi_period) # Check if MACD line crosses signal line from above or RSI is above 70 if macd[-1] < signal[-1] and macd[-2] > signal[-2] or rsi[-1] > 70: return True else: return False</code>매수 및 매도 전략 코드만 챗GPT로 제작하였고, 베이스가 되는 자동매매 프로그램이나 백테스팅 코드는 개인마다 이미 사용하고 있거나 검증이 마친 코드이어야 되기 때문에 간단하게 직접 작성했습니다. 전체 코드에 대해서는 제 블로그에서 확인할 수 있습니다.https://tykimos.github.io/2023/02/16/ChatGPT_Auto_Trading_Program_in_Python/